Tổng quan nghiên cứu

Hệ thống nâng vật bằng từ trường (Magnetic Levitation - Maglev) là công nghệ then chốt với khả năng triệt tiêu 100% ma sát cơ học, hiện đang được ứng dụng rộng rãi trên các đoàn tàu cao tốc thương mại đạt vận tốc vượt mức 500 km/h tại Nhật Bản và Mỹ, cũng như trong các ổ trục từ trường, phi thuyền không gian và tay máy robot chính xác cao. Tuy nhiên, hệ thống nâng từ là đối tượng có tính phi tuyến cao, không ổn định vòng hở và các thông số vật lý dễ biến động trong quá trình vận hành, đặt ra thách thức lớn đối với các bộ điều khiển tuyến tính kinh điển. Nhằm giải quyết triệt để vấn đề này, luận văn thạc sĩ kỹ thuật của tác giả Phạm Thanh Thảo, dưới sự hướng dẫn khoa học của Tiến sĩ Nguyễn Hoài Nam tại Trường Đại học Kỹ thuật Công nghiệp – Đại học Thái Nguyên (hoàn thành và bảo vệ thành công vào tháng 6 năm 2015), đã tập trung nghiên cứu đề tài ứng dụng mạng nơ-ron nhân tạo để nhận dạng và điều khiển vị trí hệ thống nâng từ một trục theo phương thẳng đứng.

Mục tiêu cốt lõi của nghiên cứu là xây dựng mô hình toán học, thiết kế và chế tạo thành công bàn thí nghiệm vật lý thực tế kết nối qua vi điều khiển Arduino, đồng thời phát triển thuật toán mạng nơ-ron nhiều lớp theo cấu trúc điều khiển bám mô hình mẫu (Model Reference Control). Về mặt kinh tế và kỹ thuật, giải pháp này giúp cắt giảm hơn 80% chi phí phần cứng chế tạo thử nghiệm trong phòng lab nhờ sáng kiến sử dụng cơ cấu đòn bẩy đo góc thay thế cảm biến quang học đắt tiền. Về mặt chất lượng điều khiển, giải pháp mạng nơ-ron giúp hệ thống đáp ứng ổn định, rút ngắn thời gian quá độ xác lập xuống dưới 2.0 giây và giảm thiểu sai lệch bám quỹ đạo về mức tiệm cận 0, mở ra tiềm năng ứng dụng thực tiễn rất cao trong tự động hóa công nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự tích hợp giữa lý thuyết mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) và lý thuyết điều khiển hệ thống phi tuyến theo mô hình mẫu:

  • Cấu trúc mạng nơ-ron nhân tạo: Mô phỏng chức năng xử lý thông tin song song của bộ não sinh học (với khoảng 10 tỉ tế bào nơ-ron và tốc độ phản xạ 0.001 giây). Luận văn sử dụng mạng truyền thẳng nhiều lớp (Multilayer Perceptron - MLP) gồm lớp vào, lớp ẩn và lớp ra với các hàm kích hoạt phi tuyến như hàm tiếp tuyến hyperbolic (tansig) và hàm sigmoid logarit (logsig). Quá trình hiệu chỉnh ma trận trọng số và vectơ độ lệch (bias) sử dụng thuật toán lan truyền ngược Levenberg-Marquardt (trainlm) nhằm tối thiểu hóa hàm mục tiêu sai số bình phương trung bình (MSE).
  • Mô hình động lực học hệ nâng từ: Hệ thống được mô tả bằng phương trình vi phân phi tuyến bậc hai, phản ánh sự cân bằng động lực học giữa lực hút từ trường sinh ra bởi cuộn dây điện từ (phụ thuộc phi tuyến vào dòng điện điều khiển và khoảng cách khe hở không khí), gia tốc trọng trường 9.81 m/s², khối lượng vật nâng và hệ số ma sát nhớt của môi trường.
  • Khái niệm điều khiển theo mô hình mẫu: Thiết lập một hệ động học tuyến tính bậc hai lý tưởng đóng vai trò chuẩn động học. Mạng nơ-ron đóng vai trò là bộ điều khiển thích nghi, nhận tín hiệu sai lệch giữa đầu ra của đối tượng thực và đầu ra mẫu để tự điều chỉnh tín hiệu điện áp cấp cho cơ cấu chấp hành.

Phương pháp nghiên cứu

Phương pháp nghiên cứu kết hợp chặt chẽ giữa mô phỏng số trên máy tính và kiểm chứng thực nghiệm trên phần cứng:

  • Nguồn dữ liệu và thu thập mẫu: Dữ liệu huấn luyện được thu thập trực tiếp thông qua hệ thống thực nghiệm thời gian thực kết nối với phần mềm Matlab/Simulink 2013a. Bộ dữ liệu mẫu bao gồm 2000 điểm dữ liệu thu thập liên tục trong khoảng thời gian 20 giây với chu kỳ lấy mẫu cố định 0.01 giây (10 ms).
  • Phương pháp chọn mẫu: Sử dụng phương pháp chọn mẫu chuỗi thời gian ngẫu nhiên (random step input sequence) với các xung điện áp biến thiên từ 0 đến 12 VDC. Cách tiếp cận này kích hoạt toàn diện các vùng làm việc động học phi tuyến khác nhau của hệ thống, cung cấp tập dữ liệu học có độ bao phủ cao.
  • Phương pháp phân tích và huấn luyện: Lựa chọn thuật toán huấn luyện Levenberg-Marquardt nhờ tốc độ hội tụ nhanh hơn từ 10 đến 100 lần so với thuật toán Gradient Descent tiêu chuẩn. Quy trình huấn luyện chia làm 2 giai đoạn kế tiếp: Giai đoạn 1 huấn luyện mạng hở (open-loop) nhằm xác định vùng trọng số sơ bộ; Giai đoạn 2 huấn luyện mạng kín (closed-loop) bằng kỹ thuật chia chuỗi dữ liệu tăng dần từ C = 4 mẫu đến C = 2000 mẫu để chống hiện tượng mất ổn định hồi quy.
  • Timeline nghiên cứu: Toàn bộ quá trình nghiên cứu, tính toán lý thuyết, thiết kế cơ khí, lập trình nhúng và hiệu chỉnh thực nghiệm được hoàn thành trong vòng 12 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả nhận dạng mô hình toán lý thuyết: Thử nghiệm nhận dạng mô hình toán học nâng từ trên Matlab/Simulink cho thấy mạng nơ-ron cấu trúc 2 lớp với 6 nơ-ron ở lớp ẩn đạt giá trị sai số bình phương trung bình MSE tiệm cận 0.0001 sau 4 chu kỳ lặp (epoch). Tín hiệu đầu ra của mạng nơ-ron bám sát 99.8% đáp ứng của đối tượng mẫu, khẳng định thuật toán nhận dạng hoạt động hoàn toàn chính xác.
  2. Chế tạo thành công mô hình thực nghiệm phòng lab: Thiết kế hoàn chỉnh bàn nâng từ 1 trục gồm cuộn dây điện từ 1000 vòng dây đồng đường kính 0.4 mm (điện áp làm việc 0 đến 12 VDC), cụm nam châm vĩnh cửu kết hợp thanh sắt đường kính 10 mm, mạch công suất cầu H và bo mạch vi xử lý Arduino Uno 16 MHz. Cơ cấu cánh tay đòn kết hợp thiết bị đo góc 2 kênh A-B (334 xung/vòng) đạt độ phân giải đo lường 13.5 mm/rad, loại bỏ hoàn toàn nhiễu quang học môi trường.
  3. So sánh hiệu năng giữa bộ điều khiển PI và Mạng Nơ-ron: Khi vận hành thực nghiệm với bộ điều khiển PI truyền thống, hệ thống mất tới 8.0 giây để đạt trạng thái xác lập và dao động lớn khi có tác động lực bên ngoài. Ngược lại, bộ điều khiển mạng nơ-ron theo mô hình mẫu triệt tiêu dao động nhanh chóng, rút ngắn thời gian xác lập xuống còn 1.8 giây (giảm 77.5% thời gian quá độ so với PI) và duy trì vị trí lơ lửng ổn định của vật nâng.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự vượt trội của bộ điều khiển nơ-ron là do bộ điều khiển PI truyền thống được thiết kế dựa trên phương pháp tuyến tính hóa quanh một điểm làm việc tĩnh cố định. Khi vật nâng chịu tác động của ngoại lực hoặc di chuyển ra xa điểm cân bằng, các thành phần phi tuyến của lực từ trường tăng vọt khiến khâu PI mất khả năng bù sai lệch kịp thời, gây hiện tượng dao động kéo dài trong 8.0 giây. Trong khi đó, mạng nơ-ron với 6 nơ-ron phi tuyến ở lớp ẩn có khả năng xấp xỉ hàm phi tuyến toàn cục, tự động tính toán điện áp bù phù hợp với từng vị trí khe hở không khí.

So sánh với các công trình nghiên cứu cùng thời kỳ về điều khiển nâng từ sử dụng giải thuật thích nghi hoặc điều khiển mờ (Fuzzy Logic), phương pháp mạng nơ-ron Levenberg-Marquardt trong luận văn cho thấy tốc độ hội tụ vượt trội chỉ sau 2 đến 4 lần lặp huấn luyện. Khi trình bày dữ liệu qua đồ thị đáp ứng thời gian thực (so sánh đường tín hiệu đặt Target, đáp ứng PI và đáp ứng mạng nơ-ron) kết hợp bảng thông số sai số MSE, sự vượt trội về khả năng bám quỹ đạo và độ cứng vững của hệ thống nâng từ điều khiển bằng mạng nơ-ron được thể hiện một cách trực quan, rõ ràng và có độ tin cậy khoa học cao.

Đề xuất và khuyến nghị

  1. Nâng cấp bộ vi xử lý nhúng: Thay thế vi điều khiển Arduino 8-bit bằng các vi xử lý ARM Cortex-M4 32-bit (như dòng STM32F4) hoặc DSP chuyên dụng có xung nhịp trên 168 MHz. Giải pháp này cho phép rút ngắn chu kỳ lấy mẫu từ 10 ms xuống 1 ms, thực hiện trong vòng 6 tháng tới bởi các nhóm nghiên cứu phần cứng tự động hóa.
  2. Tích hợp cảm biến tiệm cận quang học hoặc cảm biến Hall độ chính xác cao: Trang bị cảm biến khoảng cách laser hoặc cảm biến Hall tuyến tính có độ phân giải micromet thay thế cơ cấu cánh tay đòn cơ khí trong lộ trình 3 tháng, nhằm triệt tiêu hoàn toàn ma sát ổ trục và mô men quán tính cơ khí phát sinh.
  3. Nghiên cứu thuật toán điều khiển thích nghi thông minh lai: Triển khai kết hợp mạng nơ-ron với giải thuật trượt thích nghi (Adaptive Sliding Mode Neural Control) hoặc mạng nơ-ron mờ (ANFIS) trong vòng 9 tháng tiếp theo, nhằm mục tiêu khống chế sai số xác lập dưới 0.05 mm khi khối lượng vật nâng biến thiên đột ngột từ 50% đến 150%.
  4. Mở rộng mô hình nâng từ đa trục không gian: Phòng thí nghiệm Kỹ thuật Điều khiển cần đầu tư mở rộng từ mô hình nâng từ 1 bậc tự do lên mô hình 3 bậc tự do (3-DOF) trong thời gian 12 tháng, phục vụ thử nghiệm các cơ cấu đệm từ cho trục quay máy công cụ siêu cao tốc và mô hình đoàn tàu Maglev thu nhỏ.

Đối tượng nên tham khảo luận văn

  1. Học viên cao học và nghiên cứu sinh chuyên ngành Kỹ thuật Điều khiển và Tự động hóa: Tiếp cận tài liệu tham khảo hoàn chỉnh về quy trình mô hình hóa hệ thống phi tuyến, phương pháp thiết kế bộ nhận dạng và điều khiển mạng nơ-ron MLP sử dụng thuật toán Levenberg-Marquardt trên Matlab/Simulink.
  2. Kỹ sư R&D lĩnh vực Cơ điện tử và Robotics: Nắm bắt giải pháp chế tạo bàn thử nghiệm phần cứng chi phí thấp với cuộn dây điện từ, mạch cầu H và vi điều khiển nhúng, áp dụng vào thiết kế các cơ cấu kẹp giữ không tiếp xúc hoặc bộ giảm chấn chủ động.
  3. Giảng viên và cán bộ nghiên cứu tại các trường đại học kỹ thuật: Sử dụng toàn bộ cấu trúc bài toán, sơ đồ giải thuật và mô hình thí nghiệm làm học liệu phục vụ giảng dạy các môn học Điều khiển thông minh, Điều khiển phi tuyến và Đồ án chuyên ngành Tự động hóa.
  4. Kỹ sư công nghiệp ngành Giao thông thông minh và Cơ khí chính xác: Tham khảo các phân tích thực nghiệm về lực từ trường nâng vật để ứng dụng vào hệ thống ổ đỡ từ trường triệt tiêu ma sát cho động cơ quay tốc độ cao (trên 20,000 vòng/phút) và công nghệ đường ray tàu đệm từ.

Câu hỏi thường gặp

  1. Tại sao hệ thống nâng từ lại khó điều khiển bằng các thuật toán cổ điển? Hệ nâng từ có bản chất phi tuyến cao và không ổn định vòng hở do lực hút từ trường tỷ lệ nghịch với bình phương khoảng cách và tỷ lệ thuận với bình phương dòng điện. Khi có dịch chuyển nhỏ, lực từ biến thiên rất mạnh khiến hệ thống mất cân bằng ngay lập tức, do đó các bộ điều khiển tuyến tính như PID chỉ hoạt động trong phạm vi rất hẹp quanh điểm làm việc danh định.

  2. Thuật toán huấn luyện Levenberg-Marquardt có ưu thế gì so với thuật toán lan truyền ngược truyền thống? Thuật toán Levenberg-Marquardt (trainlm) là sự kết hợp tối ưu giữa phương pháp Gradient Descent và phương pháp Gauss-Newton. Thuật toán này giúp tốc độ hội tụ nhanh hơn từ 10 đến 100 lần so với giải thuật truyền thống, hạn chế tối đa nguy cơ rơi vào cực tiểu cục bộ và đạt giá trị sai số MSE tối ưu chỉ sau 2 đến 4 chu kỳ lặp.

  3. Sáng kiến sử dụng cánh tay đòn kết hợp encoder mang lại lợi ích gì cho mô hình thực nghiệm? Cánh tay đòn giúp chuyển đổi chuyển động thẳng của vật nâng thành chuyển động quay của encoder 334 xung/vòng với tỉ lệ 13.5 mm/rad. Sáng kiến cơ khí này giúp tiết kiệm hơn 80% chi phí chế tạo so với việc trang bị cảm biến laser đắt tiền, đồng thời loại bỏ hoàn toàn các lỗi nhiễu quang học từ môi trường phòng thí nghiệm.

  4. Quy trình huấn luyện mạng nơ-ron nhận dạng 2 giai đoạn diễn ra như thế nào? Giai đoạn 1 là huấn luyện mạng hở (open-loop) bằng cách cắt đường phản hồi và cấp trực tiếp tín hiệu ra mẫu vào đầu vào thứ hai của mạng để tìm bộ trọng số sơ bộ. Giai đoạn 2 là huấn luyện mạng kín (closed-loop) bằng cách nối lại vòng phản hồi và chia chuỗi mẫu dữ liệu từ C = 4 mẫu tăng dần lên C = 2000 mẫu để mạng thích nghi hoàn toàn với động học đối tượng.

  5. Hiệu năng điều khiển thực tế của mạng nơ-ron vượt trội hơn bộ điều khiển PI ở những chỉ số nào? Trong điều kiện thực nghiệm, bộ điều khiển mạng nơ-ron bám sát quỹ đạo mô hình mẫu bậc hai, giúp rút ngắn thời gian xác lập từ 8.0 giây của bộ điều khiển PI xuống còn 1.8 giây (giảm 77.5%), đồng thời dập tắt hoàn toàn hiện tượng dao động quá độ khi có ngoại lực tác động làm lệch vị trí lõi nâng.

Kết luận

  • Luận văn đã hoàn thành xuất sắc việc thiết kế và chế tạo mô hình vật lý hệ thống nâng từ 1 trục trong phòng lab với cuộn dây 1000 vòng, hoạt động ổn định ở điện áp 0 đến 12 VDC qua vi điều khiển Arduino Uno 16 MHz.
  • Xây dựng thành công thuật toán nhận dạng đối tượng và điều khiển thích nghi bám mô hình mẫu sử dụng mạng nơ-ron nhiều lớp với giải thuật huấn luyện Levenberg-Marquardt trên nền tảng Matlab/Simulink.
  • Kết quả thực nghiệm khẳng định bộ điều khiển mạng nơ-ron vượt trội so với bộ điều khiển PI, giảm thời gian quá độ xác lập từ 8.0 giây xuống còn 1.8 giây và triệt tiêu dao động hiệu quả.
  • Đóng góp giải pháp cơ cấu đo đòn bẩy kết hợp encoder 334 xung/vòng giúp tiết kiệm hơn 80% kinh phí chế tạo mô hình thí nghiệm phục vụ công tác giảng dạy và nghiên cứu tự động hóa.
  • Kế hoạch phát triển trong 6 đến 12 tháng tới sẽ tập trung vào tích hợp vi xử lý 32-bit DSP, cảm biến tiệm cận quang học và mở rộng bài toán điều khiển đệm từ đa trục. Quý độc giả và các nhà nghiên cứu quan tâm có thể khai thác toàn văn tài liệu luận văn để ứng dụng chi tiết các thuật toán và sơ đồ nguyên lý vào các dự án nghiên cứu chuyên sâu.