Giới thiệu dự án

Hệ thống bóng thanh trục giữa (Ball and Beam System - B&B) là một trong những đối tượng nghiên cứu kinh điển và chuẩn mực trong lý thuyết điều khiển tự động. Trong thực tế công nghiệp và kỹ thuật hàng không - hàng hải, hệ thống này đóng vai trò mô hình hóa cho các bài toán cân bằng phi tuyến phức tạp như ổn định thân tàu thủy trước sóng biển, giữ thăng bằng cánh máy bay dưới tác động của dòng khí đối lưu, hoặc điều khiển vị trí trong đệm từ trường.

Vấn đề cốt lõi của hệ B&B nằm ở đặc tính phi tuyến cao, thuộc lớp hệ thống SIMO (Single Input Multi Output - một ngõ vào điện áp điều khiển động cơ, hai ngõ ra gồm vị trí bóng và góc nghiêng thanh) với cấu trúc liên kết động học chặt chẽ và điểm cân bằng không ổn định hở (open-loop unstable). Các phương pháp điều khiển tuyến tính truyền thống như PID (Proportional-Integral-Derivative) thường gặp hạn chế nghiêm trọng khi điều kiện làm việc thay đổi hoặc khi hệ thống chịu tác động của nhiễu ngẫu nhiên, ma sát trượt phi tuyến và độ trễ cơ khí.

                  [Điện áp động cơ e(t)]
                            │
                            ▼
              ┌───────────────────────────┐
              │    Động cơ DC Servo       │
              └─────────────┬─────────────┘
                            │ Momen quay τ(t)
                            ▼
              ┌───────────────────────────┐
              │ Thanh cân bằng (Beam - b) │ ◄── [Góc nghiêng θ(t)]
              └─────────────┬─────────────┘
                            │ Trọng lực / Quán tính
                            ▼
              ┌───────────────────────────┐
              │   Quả bóng lăn (Ball - B) │ ◄── [Vị trí bóng p(t)]
              └───────────────────────────┘

Mục tiêu nghiên cứu của dự án:

  1. Xây dựng mô hình toán học động học và động lực học phi tuyến của hệ B&B dựa trên phương pháp Euler-Lagrange, kết hợp mô hình động cơ DC Servo thực tế.
  2. Thiết kế và tối ưu hóa bộ điều khiển tối ưu tuyến tính LQR (Linear Quadratic Regulator) làm chuẩn đối sánh (baseline).
  3. Ứng dụng công cụ Deep Learning trong MATLAB để xây dựng bộ điều khiển mờ thích nghi ANFIS (Adaptive Neuro-Fuzzy Inference System) và mạng Neural Network (MLP) có khả năng học hành vi của bộ điều khiển LQR.
  4. Triển khai giải thuật di truyền (Genetic Algorithm - GA) để tìm bộ thông số tiền xử lý và hậu xử lý tối ưu cho bộ điều khiển Fuzzy 81 luật kế thừa từ hệ con lắc ngược xe con.
  5. Thiết kế bộ điều khiển mờ 16 luật dựa trên tri thức chuyên gia (Expert-based Fuzzy Control) hoàn toàn không phụ thuộc vào phương trình toán học của hệ thống.
  6. Cải tiến phần cứng thực nghiệm: triệt tiêu nhiễu tín hiệu Encoder và ADC, khắc phục hở mạch, thiết kế giao diện giám sát thời gian thực và thực thi thuật toán trên vi điều khiển STM32F4 Discovery.

Phạm vi nghiên cứu tập trung vào việc mô phỏng trên MATLAB/Simulink và kiểm chứng thực nghiệm trên mô hình vật lý tại phòng thí nghiệm C205B, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh các giải pháp điều khiển phổ biến hiện nay trên đối tượng cân bằng bóng thanh:

Tiêu chí PID Cổ điển LQR Tối ưu Tuyến tính Điều khiển Thông minh (Fuzzy/Neural/GA)
Mô hình toán Không yêu cầu chính xác Đòi hỏi mô hình tuyến tính hóa quanh điểm cân bằng Không cần mô hình (Fuzzy) hoặc học từ dữ liệu thực nghiệm (Neural/ANFIS)
Khả năng bám quỹ đạo Kém khi quỹ đạo thay đổi liên tục (Sin, Vuông) Tốt trong vùng lân cận điểm làm việc Rất tốt trên toàn dải hoạt động
Xử lý phi tuyến & Nhiễu Dễ mất ổn định khi có nhiễu cảm biến Bị suy giảm chất lượng khi ra xa điểm cân bằng Bù sai số phi tuyến, kháng nhiễu và thích nghi cao
Chi phí tính toán Cực thấp ($\mathcal{O}(1)$) Thấp ($\mathcal{O}(n)$ với $u = -Kx$) Trung bình đến cao tùy số luật mờ và số nơ-ron

Yêu cầu kỹ thuật theo mô hình MoSCoW:

  • Must have: Hệ thống ổn định tại điểm cân bằng $O(0, 0)$ với sai số xác lập $e_{xl} < 0.005\text{ m}$, thời gian xác lập $t_{xl} < 3.5\text{ s}$, độ vọt lố $POT < 10%$.
  • Should have: Khả năng bám quỹ đạo sóng hình sin ($A = 0.05\text{ m}, f = 0.2\text{ Hz}$) và sóng vuông ($A = \pm 0.04\text{ m}$).
  • Could have: Tự động điều chỉnh hệ số tiền/hậu xử lý bằng GA hội tụ trong dưới 50 thế hệ.
  • Won't have: Triển khai học tăng cường trực tuyến (Online Reinforcement Learning) trên vi điều khiển hạn chế bộ nhớ.

Thiết kế hệ thống

Mô hình toán học hệ B&B được dẫn xuất qua hàm Lagrange $L = T - P$:

$$T = T_B + T_b = \frac{1}{2} \left( m_B + \frac{J_B}{R^2} \right) \dot{p}^2 + \frac{1}{2} (J_b + m_B p^2) \dot{\theta}^2$$

$$P = P_B = m_B g p \sin(\theta)$$

Phương trình vi phân phi tuyến mô tả chuyển động của bóng và thanh:

$$\ddot{p} = \frac{m_B p \dot{\theta}^2 - m_B g \sin(\theta)}{m_B + \frac{J_B}{R^2}}$$

$$\tau = \left( J_b + J_m + m_B p^2 \right) \ddot{\theta} + 2 m_B p \dot{p} \dot{\theta} + m_B g p \cos(\theta) + C_m \dot{\theta} + K_f \text{sgn}(\dot{\theta})$$

Với điện áp cấp vào động cơ DC $e(t)$, momen xoắn động cơ sinh ra:

$$\tau(t) = \frac{K_t}{R_m} \left( e(t) - K_b \dot{\theta} \right)$$

Đặt vector trạng thái $x = [x_1, x_2, x_3, x_4]^T = [p, \dot{p}, \theta, \dot{\theta}]^T$, tuyến tính hóa hệ thống quanh điểm cân bằng $x_0 = [0, 0, 0, 0]^T, e_0 = 0$, ta thu được hệ phương trình trạng thái $\dot{x} = Ax + Be$:

$$A = \begin{bmatrix} 0 & 1 & 0 & 0 \ 0 & 0 & -\frac{m_B g}{m_B + J_B/R^2} & 0 \ 0 & 0 & 0 & 1 \ -\frac{m_B g}{J_b + J_m} & 0 & 0 & -\frac{C_m + K_t K_b / R_m}{J_b + J_m} \end{bmatrix}, \quad B = \begin{bmatrix} 0 \ 0 \ 0 \ \frac{K_t}{R_m (J_b + J_m)} \end{bmatrix}$$

Thông số thực nghiệm của mô hình:

  • Quả bóng thép: $m_B = 0.045\text{ kg}$, $R = 0.011\text{ m}$, $J_B = \frac{2}{5} m_B R^2 = 2.178 \times 10^{-6}\text{ kg}\cdot\text{m}^2$.
  • Thanh nhôm đồng chất: $m_b = 0.35\text{ kg}$, $L_b = 0.34\text{ m}$, $J_b = \frac{1}{12} m_b L_b^2 = 3.37 \times 10^{-3}\text{ kg}\cdot\text{m}^2$.
  • Động cơ DC Servo Nisca NF5475: $R_m = 6.06494\ \Omega$, $K_t = K_b = 0.06494$, $J_m = 1.3 \times 10^{-4}\text{ kg}\cdot\text{m}^2$, $L_m = 0.25086\text{ H}$.
┌────────────────────────────────────────────────────────────────────────┐
│                        KIẾN TRÚC PHẦN CỨNG                            │
├────────────────────────────────────────────────────────────────────────┤
│                                                                        │
│   ┌─────────────────────┐   PWM (Timer 1)   ┌──────────────────────┐   │
│   │                     ├──────────────────►│ H-Bridge Driver      │   │
│   │  STM32F4 Discovery  │   Dir (GPIO)      │ IR2184               │   │
│   │  (ARM Cortex-M4     ├──────────────────►│ (12V - 24V DC)       │   │
│   │   @ 168 MHz)        │                   └──────────┬───────────┘   │
│   │                     │                              │ Motor Power   │
│   │                     │                              ▼               │
│   │                     │                   ┌──────────────────────┐   │
│   │                     │◄──────────────────┤ Nisca NF5475 Motor   │   │
│   │                     │  Encoder TIMx_CHx │ Optical Encoder      │   │
│   │                     │                   └──────────────────────┘   │
│   │                     │                                              │
│   │                     │   Analog Signal   ┌──────────────────────┐   │
│   │                     │◄──────────────────┤ Cảm biến điện trở    │   │
│   │                     │   (ADC1_INx)      │ (Wire Resistor)      │   │
│   └──────────┬──────────┘                   └──────────────────────┘   │
│              │ UART (CP2102)                                           │
│              ▼ 115200 bps                                              │
│   ┌─────────────────────┐                                              │
│   │ Host PC Monitoring  │ (Giao diện giám sát đồ thị thời gian thực)   │
│   └─────────────────────┘                                              │
└────────────────────────────────────────────────────────────────────────┘

Methodology

Phương pháp triển khai dự án tuân thủ quy trình tạo mẫu nhanh điều khiển (Rapid Control Prototyping - RCP):

  1. Giai đoạn 1 (Tuần 1 - 4): Xây dựng mô hình toán, thu thập thông số động cơ và cấu trúc cơ khí.
  2. Giai đoạn 2 (Tuần 5 - 10): Thiết kế giải thuật trên MATLAB/Simulink (LQR, ANFIS, Neuron Toolbox, GA, Fuzzy 16 luật).
  3. Giai đoạn 3 (Tuần 11 - 14): Khắc phục lỗi phần cứng, lập trình nhúng STM32F4 qua Waijung Blockset v14.11b, thiết kế bộ lọc số (Moving Average Filter).
  4. Giai đoạn 4 (Tuần 15 - 18): Thực nghiệm thời gian thực, đo đạc chỉ tiêu chất lượng và hiệu chỉnh tham số.

Implementation và kết quả

Development process

1. Bộ điều khiển LQR

Ma trận trọng số trạng thái $Q$ và điều khiển $R$ được lựa chọn nhằm tối thiểu hóa hàm mục tiêu $J = \int_0^\infty (x^T Q x + u^T R u) dt$:

% Định nghĩa ma trận trọng số LQR
Q = diag([150, 1, 80, 1]); % Ưu tiên sai số vị trí p và góc nghiêng theta
R = 0.08;

% Giải phương trình vi phân Riccati đại số (ARE)
[K, S, P] = lqr(A, B, Q, R);
% Tín hiệu điều khiển: u = -K * x

2. Mạng nơ-ron học bộ điều khiển LQR

Dữ liệu trạng thái ngõ vào và tín hiệu điều khiển của LQR được thu thập qua khối To Workspace. Cấu trúc mạng Multi-Layer Perceptron (MLP) gồm 2 lớp ẩn (100 tế bào lớp 1, 1 tế bào lớp 2) sử dụng giải thuật huấn luyện Resilient Backpropagation (trainrp):

% Khởi tạo và huấn luyện mạng Neural Network
ngo_vao = collected_states'; % Kích thước 4 x N
ngo_ra = collected_u';       % Kích thước 1 x N

net = newff(minmax(ngo_vao), [100 1], {'tansig', 'purelin'}, 'trainrp');
net.trainParam.epochs = 1000000;
net.trainParam.goal = 1e-7;
net.trainParam.lr = 0.01;

% Huấn luyện mạng nơ-ron
net = train(net, ngo_vao, ngo_ra);
gensim(net, 0.01); % Sinh khối Simulink với chu kỳ trích mẫu Ts = 10ms

3. Tối ưu hóa mờ 81 luật bằng Genetic Algorithm

Bộ 81 luật mờ kế thừa từ hệ xe con lắc ngược được chuẩn hóa ngõ vào/ra qua 5 hệ số: $K_1 = 1/X_1, K_2 = 1/X_2, K_3 = 1/X_3, K_4 = 1/X_4$ (tiền xử lý) và $K_5 = X_5$ (hậu xử lý). Hàm thích nghi (Fitness function) dựa trên tổng bình phương sai số:

$$J = \int_0^{t_{sim}} \left( w_1 [p_{ref}(t) - p(t)]^2 + w_2 [\theta(t)]^2 \right) dt$$

% Cấu hình giải thuật di truyền GA
options = gaoptimset('PopulationSize', 60, ...
                     'Generations', 50, ...
                     'CrossoverFraction', 0.8, ...
                     'MutationFcn', @mutationadaptfeasible, ...
                     'Display', 'iter');

lb = [0.1, 0.1, 0.1, 0.1, 1];      % Giới hạn dưới
ub = [100, 100, 100, 500, 10000];  % Giới hạn trên

[X_opt, J_min] = ga(@(X) bb_fitness_func(X), 5, [], [], [], [], lb, ub, [], options);

Kết quả tối ưu sau 3 lần chạy: Bộ tham số tối ưu nhất đạt được tại thế hệ thứ 34 với $J_{min} = 5.8$ ($X_1 = 4.21, X_2 = 8.15, X_3 = 2.45, X_4 = 18.60, X_5 = 1420.5$).

4. Bộ điều khiển mờ 16 luật theo kinh nghiệm

Gồm 4 biến đầu vào chuẩn hóa trên miền $[-1, 1]$ với 2 hàm liên thuộc tam giác (Negative, Positive) cho mỗi biến: $p$ (Vị trí), $\dot{p}$ (Vận tốc), $\theta$ (Góc nghiêng), $\dot{\theta}$ (Vận tốc góc). Ngõ ra gồm 8 hàm liên thuộc đơn điểm (Singleton) điều khiển điện áp $e \in [-24\text{V}, +24\text{V}]$. Giải thuật suy diễn Max-Prod và phương pháp giải mờ trọng tâm (Center of Area - COA).

Testing và validation

Khắc phục nhiễu phần cứng thực nghiệm

  • Nhiễu ADC điện trở đo vị trí: Tín hiệu thanh trượt tiếp xúc tạo xung gai nhiễu cao tần. Được xử lý bằng mạch lọc RC phần cứng ($R = 10\text{ k}\Omega, C = 100\text{ nF}$) kết hợp thuật toán lọc số trung bình động (Moving Average Filter, cửa sổ $N = 8$) trên STM32F4.
  • Nhiễu kênh Encoder: Bổ sung tụ dập nhiễu $100\text{ pF}$ song song ngõ ra kênh A/B của bộ giải mã quang học, cấu hình bộ lọc số tích hợp trong ngoại vi Timer Encoder Mode của ARM Cortex-M4.

Kết quả đạt được

Kết quả khảo sát mô phỏng và thực nghiệm trên mô hình vật lý tại điểm cân bằng và bám vị trí lệch tâm:

Bộ điều khiển Môi trường Vị trí đặt $p_{ref}$ $e_{xl}$ (m) $t_{xl}$ (s) $POT$ (%) Đánh giá ổn định
LQR Baseline Mô phỏng $0\text{ cm}$ $0.0000$ $2.42$ $0.00$ Ổn định mượt mà
Thực nghiệm $0\text{ cm}$ $0.0021$ $2.85$ $3.50$ Ổn định tốt
Fuzzy - ANFIS (81 luật) Mô phỏng $0\text{ cm}$ $0.0002$ $2.48$ $0.80$ Bám sát LQR gốc
Thực nghiệm $0\text{ cm}$ $0.0035$ $3.10$ $4.20$ Đáp ứng chính xác
Neuron Toolbox (MLP) Mô phỏng $0\text{ cm}$ $0.0001$ $2.44$ $0.20$ Học chính xác 99.2%
Thực nghiệm $0\text{ cm}$ $0.0028$ $2.92$ $3.80$ Kháng nhiễu tốt
Fuzzy - 81 luật (Tối ưu GA) Mô phỏng $2\text{ cm}$ $0.0005$ $2.15$ $2.10$ Xác lập nhanh nhất
Thực nghiệm $4\text{ cm}$ $0.0032$ $2.60$ $5.10$ Đáp ứng động học cao
Fuzzy - 16 luật (Kinh nghiệm) Mô phỏng $2\text{ cm}$ $0.0012$ $3.20$ $6.40$ Đạt yêu cầu ổn định
Thực nghiệm $4\text{ cm}$ $0.0048$ $3.65$ $8.70$ Dao động nhỏ quanh điểm đặt 
    Vị trí p(t) [cm]
      ▲
    4 ┤                 ┌─────────────────────────── [Fuzzy-GA 81 luật: t_xl=2.6s]
      │               ┌─┘
    2 ┤           ┌───┘ 
      │       ┌───┘     ............................ [LQR: t_xl=2.85s]
    0 ┼───────┴─────────────────────────────────────► Thời gian t (s)
      0       1       2       3       4       5

Đổi mới và đóng góp

  1. Chuyển giao tri thức điều khiển mờ liên đối tượng thông qua GA: Chứng minh tính khả thi của việc kế thừa ma trận 81 luật mờ từ hệ xe con lắc ngược sang hệ bóng thanh trục giữa bằng cách sử dụng giải thuật di truyền để tự động dò tìm hệ số tiền/hậu xử lý, tiết kiệm hơn 70% thời gian thiết kế luật mờ thủ công.
  2. Quy trình chuẩn hóa huấn luyện điều khiển thông minh từ bộ điều khiển tối ưu: Đưa ra phương pháp luận hoàn chỉnh sử dụng ANFIS và Neuron Toolbox để xấp xỉ hàm điều khiển LQR phi tuyến, mở ra khả năng thay thế các bộ giải Riccati phức tạp bằng mạng nơ-ron nhúng tối ưu thời gian thực.
  3. Thiết kế mờ 16 luật tối giản không cần mô hình: Phát triển thành công bộ điều khiển mờ chỉ với 16 luật dựa hoàn toàn vào trực giác vật lý, cho phép hệ thống ổn định ngay cả khi thông số cơ khí (khối lượng bóng, chiều dài thanh) bị sai lệch đến $\pm 20%$.
  4. Chuẩn hóa phần cứng thực nghiệm giá thành thấp: Khắc phục triệt để lỗi nhiễu tiếp xúc của cảm biến điện trở dây quấn và encoder trên vi điều khiển STM32F4, đạt độ chính xác tương đương các bộ kit giáo khoa thương mại đắt tiền (như Quanser B&B).

Ứng dụng thực tế và triển khai

Hệ thống điều khiển thông minh khảo sát trong đề tài có khả năng mở rộng trực tiếp sang nhiều bài toán công nghiệp và quốc phòng:

  • Hệ thống cân bằng chống lắc tàu thủy (Active Ship Anti-Roll Stabilizer): Áp dụng bộ điều khiển mờ thích nghi để điều khiển cánh vây giảm lắc theo biên độ sóng biển ngẫu nhiên.
  • Hệ thống dẫn hướng cánh máy bay (Fly-by-Wire Flight Control): Triển khai mạng nơ-ron bù trừ tác động của luồng gió đối lưu và nhiễu loạn khí quyển khi máy bay hạ cánh.
  • Bàn định vị quang học chính xác cao: Điều khiển vị trí đệm từ hoặc cơ cấu chấp hành servo đa trục trong dây chuyền sản xuất bán dẫn.
┌────────────────────────────────────────────────────────────────────────┐
│                   QUY TRÌNH TRIỂN KHAI NHÚNG THỰC TẾ                   │
├────────────────────────────────────────────────────────────────────────┤
│                                                                        │
│   [MATLAB / Simulink Model]                                            │
│              │                                                         │
│              ▼ Waijung Blockset (Embedded Coder)                       │
│   [Sinh mã nguồn C tối ưu hóa cho ARM Cortex-M4]                       │
│              │                                                         │
│              ▼ Keil MDK / GNU ARM Toolchain                            │
│   [Biên dịch và nạp Firmware xuống STM32F407VGT6]                      │
│              │                                                         │
│              ▼ Chế độ chạy độc lập (Standalone Hardware)               │
│   [Vận hành thời gian thực: Sampling Rate 100 Hz (Ts = 10ms)]          │
│                                                                        │
└────────────────────────────────────────────────────────────────────────┘

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Cảm biến điện trở dây quấn vẫn còn ma sát cơ học vi mô làm ảnh hưởng đến độ mượt của quả bóng khi chuyển động ở vận tốc cực thấp.
  • Vùng tuyến tính hóa của giải thuật LQR bị giới hạn khi góc nghiêng của thanh vượt quá $\pm 25^\circ$.
  • Tần số trích mẫu thực nghiệm bị giới hạn ở $100\text{ Hz}$ do tốc độ truyền thông UART hiển thị dữ liệu giám sát.

Hướng phát triển

  1. Thay thế cảm biến điện trở trượt bằng cảm biến khoảng cách quang học không tiếp xúc (Laser ToF Sensor VL53L1X) hoặc camera xử lý ảnh tốc độ cao ($120\text{ fps}$).
  2. Tích hợp giải thuật điều khiển thích nghi bền vững Sliding Mode Control (SMC) kết hợp mạng Nơ-ron mờ (Neuro-Fuzzy SMC) để triệt tiêu hoàn toàn rung lắc (chattering).
  3. Nâng cấp bộ vi xử lý lên dòng STM32H7 (ARM Cortex-M7 @ 480MHz) để triển khai các mạng nơ-ron tích chập (CNN) và giải thuật học tăng cường sâu (Deep Reinforcement Learning - DDPG).

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Điều khiển & Tự động hóa: Tài liệu mẫu mực về quy trình toán học hóa, mô phỏng Simulink và nhúng thuật toán điều khiển hiện đại xuống phần cứng vi điều khiển 32-bit.
  • Kỹ sư R&D Hệ thống Nhúng & Robot: Nắm vững kỹ thuật xử lý nhiễu ADC/Encoder thực tế, kiến trúc sinh mã tự động từ Simulink qua Waijung Blockset.
  • Nhà nghiên cứu học thuật: Cung cấp bộ dữ liệu thực nghiệm đối sánh chuẩn giữa 5 cấu trúc điều khiển (LQR, ANFIS, Neuron MLP, GA-Fuzzy 81 luật, Expert Fuzzy 16 luật).

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai nhúng bộ điều khiển Neuron và Fuzzy?

Hệ thống yêu cầu vi điều khiển tối thiểu 32-bit có bộ xử lý dấu chấm động (FPU), ví dụ ARM Cortex-M4 (STM32F4 Discovery) xung nhịp $\ge 84\text{ MHz}$, tối thiểu $128\text{ KB}$ Flash và $32\text{ KB}$ RAM. Cần ít nhất 2 kênh Timer (1 cho PWM động cơ, 1 cho Encoder đếm xung), 1 kênh ADC 12-bit và 1 ngoại vi UART.

2. Tại sao bộ điều khiển Mờ 81 luật của xe con lắc ngược có thể dùng được cho hệ bóng thanh?

Cả hai hệ thống đều thuộc lớp bài toán phi tuyến SIMO bậc 4 với vector trạng thái gồm 2 biến vị trí/vận tốc góc và 2 biến vị trí/vận tốc dài. Cấu trúc ma trận quy tắc mờ biểu diễn mối quan hệ bù trừ động lượng cơ học tương đồng; do đó khi dùng GA tái tối ưu hóa 5 hệ số tiền/hậu xử lý ($K_1 \dots K_5$), bộ luật mờ 81 hoàn toàn thích ứng chính xác với hệ B&B.

3. Giải pháp nào đã giải quyết triệt để nhiễu ADC từ cảm biến điện trở dây quấn?

Dự án áp dụng giải pháp lọc 2 cấp: Cấp 1 là phần cứng với bộ lọc thông thấp RC ($f_c \approx 160\text{ Hz}$); Cấp 2 là thuật toán lọc số trung bình trượt đệm vòng (Circular Buffer Moving Average Filter) với độ dài cửa sổ $N = 8$ mẫu thực thi trong ngắt ADC ở tần số $1\text{ kHz}$.

4. Mạng Neural Network có nguy cơ bị tràn bộ nhớ trên STM32F4 không?

Không. Với cấu trúc 2 lớp ẩn (100 nơ-ron và 1 nơ-ron), tổng số trọng số và bias là $(4 \times 100 + 100) + (100 \times 1 + 1) = 601$ tham số dấu chấm động 32-bit (float), chỉ chiếm khoảng $2.4\text{ KB}$ bộ nhớ Flash của vi điều khiển, hoàn toàn nằm trong giới hạn $1024\text{ KB}$ Flash của STM32F407.

5. Chi phí chế tạo mô hình thực nghiệm và thời gian thu hồi vốn cho đào tạo?

Toàn bộ mô hình phần cứng (Khung cơ khí, Motor Nisca, Kit STM32F4, Mạch cầu H, Cảm biến) có chi phí chế tạo dưới 4.500.000 VNĐ, chỉ bằng khoảng 3 - 5% so với các bộ kit ngoại nhập chuyên dụng ($3.000 - 5.000\text{ USD}$), mang lại hiệu quả ứng dụng và hoàn vốn đào tạo thực hành ngay trong học kỳ đầu tiên đưa vào phòng thí nghiệm.

Kết luận

Đề tài đã hoàn thành xuất sắc mục tiêu nghiên cứu lý thuyết, mô phỏng chuyên sâu và chế tạo thực nghiệm hệ thống điều khiển thông minh cho mô hình bóng thanh trục giữa phi tuyến SIMO. Các đóng góp khoa học chính bao gồm:

  • Thiết kế và kiểm chứng thành công 5 thuật toán điều khiển: LQR, Fuzzy-ANFIS, Neural Network, GA-Fuzzy 81 luật và Fuzzy 16 luật tri thức chuyên gia.
  • Minh chứng năng lực vượt trội của các công cụ Deep Learning trong MATLAB trong việc học và xấp xỉ bộ điều khiển tối ưu.
  • Khắc phục toàn diện các lỗi phần cứng cơ - điện - cảm biến, xây dựng thành công hệ thống thực nghiệm thời gian thực hoàn chỉnh trên vi điều khiển STM32F4.

Kết quả này khẳng định tính khả thi cao trong việc chuyển giao giải thuật điều khiển thông minh từ mô phỏng sang các ứng dụng công nghiệp thực tế như cân bằng tàu thủy, ổn định cánh máy bay và điều khiển chuyển động tự động hóa chất lượng cao.