Tổng quan về luận án

Nghiên cứu về nhận dạng và điều khiển hệ phi tuyến có trễ đóng vai trò then chốt trong kỹ thuật điều khiển hiện đại, đặc biệt khi các đối tượng công nghiệp ngày càng phức tạp, mang nhiều yếu tố bất định và chịu tác động mạnh từ nhiễu động môi trường. Luận án tiến sĩ kỹ thuật mang tên "Nhận dạng và điều khiển hệ phi tuyến có trễ dùng mô hình Fuzzy nhiều lớp kết hợp giải thuật tính toán mềm" do nghiên cứu sinh Cao Văn Kiên thực hiện dưới sự hướng dẫn khoa học của GS. Hồ Phạm Huy Ánh tại Trường Đại học Bách Khoa – Đại học Quốc gia TP. Hồ Chí Minh (Chuyên ngành: Kỹ thuật Điều khiển & Tự động hóa, Mã số: 62520216) đã giải quyết triệt để bài toán mô hình hóa và điều khiển các hệ động học phi tuyến đa biến phức tạp.

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tiễn: các phương pháp điều khiển kinh điển dựa trên mô hình giải tích chính xác gần như mất khả năng đáp ứng khi hệ thống xuất hiện đặc tính trễ và phi tuyến cao (Zadeh, 1965; Takagi & Sugeno, 1985). Mặc dù các kỹ thuật tính toán mềm như mạng nơ-ron nhân tạo và logic mờ đã được khai phá mạnh mẽ, mô hình Fuzzy truyền thống khi áp dụng cho hệ thống nhiều ngõ vào – nhiều ngõ ra (MIMO) luôn đối mặt với hiện tượng bùng nổ số lượng luật mờ theo quy luật hàm số mũ (curse of dimensionality), dẫn đến quá tải bộ nhớ và khối lượng tính toán (Raju, 1991). Đồng thời, các bộ điều khiển thích nghi thông thường luôn khởi tạo thông số ngẫu nhiên tại pha khởi động, gây ra hiện tượng mất ổn định thoáng qua hoặc dao động quá mức trước khi thuật toán thích nghi hội tụ.

Để giải quyết các rào cản trên, luận án xác định các câu hỏi và giả thuyết nghiên cứu cụ thể:

  • Câu hỏi nghiên cứu 1 ($RQ_1$): Làm thế nào để tái cấu trúc mô hình mờ nhằm giảm thiểu số lượng tham số cần hiệu chỉnh trong hệ MIMO mà vẫn duy trì năng lực xấp xỉ phổ quát?
  • Câu hỏi nghiên cứu 2 ($RQ_2$): Phương pháp huấn luyện nào có thể tối ưu hóa tham số mô hình mờ nhiều lớp với tốc độ hội tụ nhanh hơn và tránh bẫy cực trị địa phương?
  • Câu hỏi nghiên cứu 3 ($RQ_3$): Làm thế nào để tích hợp mô hình xấp xỉ phi tuyến ngoại tuyến với luật thích nghi trực tuyến nhằm loại bỏ sai số khởi động và đảm bảo tính ổn định tiệm cận theo tiêu chuẩn Lyapunov?

Các giả thuyết nghiên cứu tương ứng:

  • Giả thuyết 1 ($H_1$): Cấu trúc Fuzzy nhiều lớp liên kết từ các khối Takagi-Sugeno MISO bậc thấp kết hợp phép cộng hợp (SUM) sẽ giảm số lượng biến chỉnh định từ cấp số nhân xuống cấp số cộng.
  • Giả thuyết 2 ($H_2$): Kỹ thuật huấn luyện ghép tầng tuần tự kết hợp giải thuật Tiến hóa Vi sai (Differential Evolution - DE) cho phép nâng cao chất lượng hàm mục tiêu và cắt giảm đáng kể thời gian tính toán so với huấn luyện đồng thời toàn cục.
  • Giả thuyết 3 ($H_3$): Bộ điều khiển trượt mờ thích nghi (AFSMC) và điều khiển mô hình ngược thích nghi (AIMFC) tích hợp nhận dạng ban đầu bằng DE sẽ triệt tiêu hiện tượng trượt tham số khởi đầu và thỏa mãn điều kiện ổn định $\dot{V} \le 0$.

Khung lý thuyết của công trình tích hợp chặt chẽ logic mờ Takagi-Sugeno, lý thuyết điều khiển trượt (Sliding Mode Control - SMC), giải thuật tối ưu hóa tiến hóa vi sai (Storn & Price, 1997) và lý thuyết ổn định Lyapunov. Phạm vi thực nghiệm của nghiên cứu bao quát các mô hình chuẩn: hệ bồn nước đôi liên kết Quanser (MIMO 2 vào, 2 ra), hệ cơ khí nén nhân tạo (Pneumatic Artificial Muscles - PAM 2-DOF) và hệ xe - lò xo - giảm chấn (Spring-Mass-Damper - SMD) với chu kỳ lấy mẫu khắt khe $T_s = 0.1\text{s}$, kích thước quần thể $NP = 200$, và số thế hệ tiến hóa lên đến 750–1000 thế hệ.

Literature Review và Positioning

Tổng quan y văn chỉ ra bốn nhánh nghiên cứu chủ lưu trong lĩnh vực nhận dạng và điều khiển thông minh:

  1. Nhánh nhận dạng logic mờ Takagi-Sugeno và cấu trúc phân cấp: Kể từ công trình nền tảng của Zadeh (1965) và Takagi & Sugeno (1985), mô hình T-S mờ được ứng dụng rộng rãi. Raju (1991) giới thiệu mô hình Hierarchical Fuzzy nhằm giảm số lượng luật mờ. Tuy nhiên, như Tu và cộng sự (2011) đã chỉ ra, cấu trúc phân cấp cổ điển có nhược điểm lớn là đầu ra của lớp trước là đầu vào của lớp sau dưới dạng khối mờ phụ thuộc, làm mất đi tính linh hoạt cấu trúc và không thể thiết lập trực tiếp từ tri thức chuyên gia.
  2. Nhánh tối ưu hóa tham số bằng thuật toán thông minh: Nghiên cứu của Kennedy & Eberhart (1995) về PSO và Holland (1975) về GA đã được áp dụng để chỉnh định hệ mờ (Aleksovski et al., 2013). Tuy nhiên, các tranh biện học thuật xác nhận PSO dễ rơi vào cực trị cục bộ khi không gian tìm kiếm nhiều chiều, trong khi GA đòi hỏi các phép toán mã hóa, giải mã phức tạp làm tăng thời gian tính toán. Giải thuật Tiến hóa Vi sai (DE) của Storn & Price (1997) nổi lên như giải pháp tối ưu toàn cục vượt trội nhờ cấu trúc đột biến vector vi sai gọn nhẹ.
  3. Nhánh điều khiển trượt mờ thích nghi: Slotine & Li (1991) và Utkin (1992) đặt nền móng cho SMC với ưu điểm bền vững trước nhiễu. Dẫu vậy, hiện tượng rung giật (chattering) và yêu cầu phải biết hàm truyền chính xác là điểm nghẽn. Các nghiên cứu kết hợp mờ - nơ-ron thích nghi (Li et al., 2018; Tavoosi et al., 2017) đã bù đắp thành phần phi tuyến chưa biết nhưng lại đòi hỏi cập nhật ma trận trọng số liên tục, gây chậm trễ tính toán thời gian thực.

Khi đặt cạnh các công bố quốc tế điển hình, sự khác biệt của luận án được định vị rõ nét:

  • So với nghiên cứu của Bagis (2011) sử dụng thuật toán bầy ong (ABC) để tối ưu hệ mờ Mamdani và Sugeno cho hệ phi tuyến MIMO, cấu trúc của luận án giảm số lượng tham số đáng kể nhờ kiến trúc ghép nối nhiều khối MISO với ngõ ra hằng số tuyến tính hóa từng vùng.
  • So với nghiên cứu của Tavoosi và cộng sự (2017) dùng mạng hàm cơ sở xuyên tâm kết hợp logic mờ loại 2 (Type-2 Fuzzy RBFN) vốn có chi phí tính toán cực lớn, mô hình Fuzzy nhiều lớp tối ưu hóa bằng DE của luận án chứng minh tính khả thi vượt trội khi triển khai trên phần cứng nhúng ARM 32-bit trong điều kiện thực nghiệm thời gian thực.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra những bước tiến quan trọng trong việc mở rộng các lý thuyết điều khiển tự động kinh điển:

  1. Mở rộng lý thuyết logic mờ Takagi-Sugeno: Công trình đã tái định nghĩa cấu trúc phân lớp bằng cách thay thế cấu trúc phân cấp lồng nhau truyền thống bằng mô hình mờ nhiều lớp liên kết song song và nối tầng thông qua khâu cộng hợp đại số. Điều này phá vỡ thế bế tắc giữa độ chính xác xấp xỉ và độ phức tạp tính toán.
  2. Hình thành mô hình toán học xấp xỉ tổng quát: Ngõ ra của mô hình Fuzzy nhiều lớp MISO bao gồm $M$ khối mờ T-S được chuẩn hóa toán học theo phương pháp trọng tâm (COG): $$y = \sum_{j=1}^{M} \left( \frac{\sum_{i=1}^{N} W_{i,j} \cdot Z_{i,j}}{\sum_{i=1}^{N} W_{i,j}} \right)$$ Trong đó $W_{i,j} = \min(F_{1,i}(x_1), F_{2,i}(x_2))$ thể hiện độ đúng của luật mờ, $Z_{i,j}$ là trọng số ngõ ra hằng số, $N=9$ là số luật mờ cho mỗi khối T-S 2 ngõ vào.
  3. Mệnh đề lý thuyết về ổn định hệ thống (Proposition 1): Luận án chứng minh chặt chẽ rằng sự kết hợp giữa mô hình xấp xỉ danh định $f(X,t), g(X,t)$ bằng DE ngoại tuyến và luật thích nghi mờ trực tuyến $\dot{\theta}$ cho phép thiết lập hàm mục tiêu Lyapunov $V = \frac{1}{2} s^2$, bảo đảm đạo hàm theo thời gian thỏa mãn $\dot{V} = s\dot{s} \le -\eta |s| < 0$, xác lập tính ổn định tiệm cận toàn cục cho hệ kín.

Khung phân tích độc đáo

Khung phân tích của luận án là sự hợp nhất có hệ thống giữa ba trụ cột lý thuyết: Mô hình mờ nhiều lớp nhận dạng dạng hộp đen (NARX), Giải thuật tiến hóa vi sai ghép tầng, và Lý thuyết điều khiển kháng nhiễu Lyapunov.

Điểm độc đáo nằm ở cơ chế phân tách nhiệm vụ: mô hình Fuzzy nhiều lớp tối ưu hóa bằng DE đảm nhận việc nắm bắt toàn bộ động học phi tuyến tĩnh và trễ thuần túy của đối tượng ở chế độ danh định. Phần mờ thích nghi trực tuyến chỉ cần quy mô rất nhỏ để bù đắp các sai lệch do nhiễu và biến thiên tham số.

Điều kiện biên (boundary conditions) của khung phân tích được xác lập rõ ràng: áp dụng cho lớp đối tượng phi tuyến điều khiển được, có các trạng thái đo lường được hoặc xấp xỉ được qua mô hình hồi quy phi tuyến ngoại sinh NARX, và các hàm phi tuyến thỏa mãn điều kiện liên tục Lipschitz.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (Positivism) kết hợp phương pháp luận thực nghiệm điều khiển học (Cybernetics). Thiết kế nghiên cứu kết hợp đa tầng:

  • Tầng mô hình hóa giải tích: Thiết lập hệ phương trình vi phân trạng thái phi tuyến làm hệ quy chiếu lý thuyết.
  • Tầng mô phỏng số học (In-silico simulation): Thực hiện trên nền tảng MATLAB/Simulink nhằm kiểm chứng giải thuật, quét tham số tối ưu và khảo sát độ nhạy của thuật toán DE.
  • Tầng kiểm chứng thực nghiệm (Physical testbed): Triển khai trực tiếp trên các hệ thống vật lý thực nhằm đánh giá khả năng chịu nhiễu, tác động của độ trễ và độ trễ lượng tử hóa tín hiệu.

Quy trình nghiên cứu rigorous

Quy trình thu thập dữ liệu và xử lý thực nghiệm được thiết kế vô cùng nghiêm ngặt:

  1. Thu thập dữ liệu: Trên hệ bồn nước đôi liên kết thực nghiệm, tín hiệu điện áp kích thích $u_1, u_2$ được thay đổi ngẫu nhiên từng bậc trong dải điện áp từ $7.5\text{V}$ đến $15\text{V}$ với chu kỳ đổi mức $10\text{s}$. Dữ liệu ngõ vào – ngõ ra gồm điện áp bơm và mực nước bồn 2, bồn 4 ($x_2, x_4$) được lấy mẫu liên tục ở chu kỳ $T_s = 0.1\text{s}$.
  2. Khử nhiễu và lọc tín hiệu: Do tín hiệu cảm biến áp suất MPX10 của hãng Freescale xuất hiện nhiễu ngẫu nhiên với phương sai lớn, thuật toán lọc Kalman (Kalman Filter) đã được nhúng trực tiếp để làm sạch dữ liệu trước khi đưa vào khối nhận dạng.
  3. Phân tách tập dữ liệu (Triangulation & Cross-validation): Dữ liệu thu thập được chia tách độc lập thành tập huấn luyện (training set) và tập kiểm chứng (validation set) với biên độ và quỹ đạo kích thích hoàn toàn khác nhau nhằm bảo đảm tính tổng quát hóa, tránh hiện tượng quá khớp (overfitting).

Data và phân tích

Hệ thống thông số vật lý của mô hình thực nghiệm được định lượng chính xác tuyệt đối:

  • Diện tích tiết diện ngang của các bể: $A_1 = A_2 = A_3 = A_4 = 16.619\text{ cm}^2$.
  • Tiết diện lỗ thoát nước: $b_1 = b_3 = 0.5027\text{ cm}^2$; $b_2 = b_4 = 0.3318\text{ cm}^2$.
  • Hệ số dẫn lưu dòng chảy: $c = 0.8$. Gia tốc trọng trường: $g = 981\text{ cm/s}^2$.
  • Hằng số đặc tính bơm: $K = 6.5\text{ cm}^3/(\text{s}\cdot\text{V})$.
  • Tỉ số phân dòng: $\gamma_1 = 70%$ (dòng chảy bể 1 vào bể 4), $\gamma_2 = 65%$ (dòng chảy bể 2 vào bể 3).
Ký hiệu thông số Ý nghĩa vật lý Giá trị thực nghiệm Đơn vị đo
$A_1, A_2, A_3, A_4$ Diện tích tiết diện các bể 16.619 $\text{cm}^2$
$b_1, b_3$ Diện tích lỗ thoát bể 1 và 3 0.5027 $\text{cm}^2$
$b_2, b_4$ Diện tích lỗ thoát bể 2 và 4 0.3318 $\text{cm}^2$
$c$ Hệ số dẫn lưu ngõ ra 0.8 Không thứ nguyên
$g$ Gia tốc trọng trường 981 $\text{cm/s}^2$
$K$ Hằng số lưu lượng bơm 6.5 $\text{cm}^3/(\text{s}\cdot\text{V})$
$\gamma_1$ Tỉ số dòng chảy bể 1 / bể 4 70 $%$
$\gamma_2$ Tỉ số dòng chảy bể 2 / bể 3 65 $%$
$T_s$ Chu kỳ lấy mẫu thực nghiệm 0.1 Giây ($\text{s}$)
$NP$ Kích thước quần thể DE 200 Cá thể

Mô hình Fuzzy MIMO hoàn chỉnh gồm 2 khối MISO, mỗi khối chứa 3 mô hình T-S con (2 ngõ vào, 1 ngõ ra, 3 hàm liên thuộc dạng Gauss hoặc tam giác). Tổng số biến cần tối ưu trong mô hình đề xuất chỉ là 90 biến (45 biến cho mỗi MISO: $3 \times (9 \text{ luật} + 6 \text{ thông số hàm}) = 45$), giảm một nửa so với mô hình mờ truyền thống cần đến 186 biến (93 biến/MISO với 81 luật và 12 thông số hàm).

Phân tích tối ưu hóa với giải thuật DE được cấu hình chặt chẽ: quần thể $NP = 200$, số thế hệ tối đa $GEN = 750$ đối với mô hình thuận và $GEN = 1000$ đối với mô hình ngược. Hệ số lai ghép $CR = 0.9$ (mô hình thuận) và $CR = 0.1$ (mô hình ngược). Hệ số đột biến $F$ được khảo nghiệm nghiêm ngặt trong dải $[0, 2]$.

Phát hiện đột phá và implications

Những phát hiện then chốt

Quá trình mô phỏng và thực nghiệm đã mang lại những kết quả mang tính đột phá:

  1. Giảm thiểu tối đa độ phức tạp không gian tìm kiếm: Việc cấu trúc lại hệ thống thành mô hình mờ nhiều lớp giúp cắt giảm 51.6% số lượng tham số cần chỉnh định trong hệ MIMO (từ 186 biến xuống còn 90 biến), làm giảm áp lực tính toán từ hàm số mũ xuống tuyến tính.
  2. Độ chính xác nhận dạng vượt trội: Khi nhận dạng mô hình thuận hệ bồn nước đôi, hàm mục tiêu sai số trung bình bình phương (MSE) đạt giá trị tối ưu cực tiểu là $0.0113$ sau 625 thế hệ và duy trì ổn định đến thế hệ thứ 750. Khi nhận dạng ngõ ra $x_4$, giá trị MSE hội tụ tại $0.0127$. Trong bài toán nhận dạng mô hình ngược, sai số tĩnh trên tập kiểm chứng hoàn toàn không vượt quá $\pm 0.4\text{V}$ đối với cả hai động cơ bơm $u_1$ và $u_2$.
  3. Hiệu năng vượt bậc của giải thuật huấn luyện ghép tầng: Phương pháp huấn luyện ghép tầng tuần tự từng khối mờ cho thấy tốc độ giảm hàm mục tiêu nhanh gấp nhiều lần so với phương pháp huấn luyện đồng thời thông thường, giúp thuật toán DE nhanh chóng vượt qua các vùng yên ngựa (saddle points).
  4. Loại bỏ hoàn toàn bất ổn định giai đoạn khởi động: Bộ điều khiển AFSMC và AIMFC đề xuất khi triển khai trên mô hình tay máy PAM 1-DOF và 2-DOF thực nghiệm (tải trọng thay đổi từ $0\text{g}, 100\text{g}, 200\text{g}$ đến $500\text{g}$) đã bám sát quỹ đạo đặt mà không xảy ra hiện tượng vọt lố hay dao động chattering lớn, khắc phục triệt để nhược điểm khởi tạo ngẫu nhiên của các bộ điều khiển thích nghi cổ điển.
  5. Hiện tượng phi trực giác về hệ số đột biến ($F$): Nghiên cứu phát hiện một hiện tượng có ý nghĩa phương pháp luận sâu sắc: đối với mô hình thuận, hệ số đột biến nhỏ $F = 0.01$ giúp hàm mục tiêu đạt độ mịn và hội tụ hoàn hảo, trong khi $F = 0.1$ dẫn đến phân kỳ do bước nhảy trạng thái quá lớn. Ngược lại, ở mô hình ngược, $F = 0.1$ lại kích thích sự hội tụ cực nhanh (đạt ngưỡng sai số $10^{-2}$ chỉ sau chưa đầy 100 thế hệ).

Implications đa chiều

  • Về mặt lý thuyết: Luận án cung cấp một mô hình mẫu về việc tích hợp tính toán mềm vào cấu trúc điều khiển phi tuyến có chứng minh toán học tường minh về tính ổn định Lyapunov, thu hẹp khoảng cách giữa lý thuyết điều khiển tự động chính xác và trí tuệ nhân tạo mờ.
  • Về mặt phương pháp luận: Quy trình huấn luyện ghép tầng mở ra phương thức mới để tối ưu hóa các mạng mờ - nơ-ron quy mô lớn, cho phép phân rã các bài toán tối ưu nhiều chiều thành các chuỗi tối ưu hóa cục bộ liên kết tuần tự.
  • Về mặt ứng dụng thực tiễn: Công trình chứng minh rằng các hệ thống chấp hành phi tuyến phức tạp, có trễ và có độ trễ cơ học lớn như cơ khí nén nhân tạo (PAM) hoàn toàn có thể được điều khiển chính xác cao mà không cần đến các bộ xử lý công nghiệp đắt tiền, chỉ cần vi điều khiển ARM tiêu chuẩn kết hợp thuật toán tối ưu.
  • Về mặt chính sách và tiêu chuẩn: Kết quả nghiên cứu tạo tiền đề xây dựng các quy chuẩn điều khiển thông minh ứng dụng trong các nhà máy xử lý chất lỏng, hóa chất đa bồn chứa và cánh tay robot y sinh trợ cụ.

Limitations và Future Research

Nhằm duy trì tính khách quan học thuật cao nhất, luận án thẳng thắn thừa nhận các giới hạn kỹ thuật:

  1. Phạm vi kiểm chứng thực nghiệm vòng kín: Dù mô hình Fuzzy nhiều lớp đã nhận dạng thành công hệ MIMO (bồn nước đôi 2 vào - 2 ra và PAM song song 2-DOF), việc kiểm chứng thuật toán điều khiển thích nghi vòng kín trong luận án mới chỉ dừng lại ở các cấu hình SISO (PAM 1-DOF, bồn nước đơn, hệ SMD). Thực nghiệm điều khiển kín đa biến MIMO thực tế cần tiếp tục được mở rộng.
  2. Đặc tính thời gian trễ: Nghiên cứu giả định đặc tính trễ của đối tượng là trễ cố định hoặc trễ biến thiên chậm trong phạm vi đáp ứng của mô hình NARX. Đối với các hệ thống có thời gian trễ ngẫu nhiên lớn (stochastic long time-delay) do đường truyền mạng, mô hình chưa được kiểm chứng đầy đủ.
  3. Ràng buộc phần cứng: Thuật toán tối ưu DE vẫn thực hiện ngoại tuyến (offline) trên máy tính chủ trước khi nạp tham số ban đầu vào bộ điều khiển nhúng thời gian thực.

Chương trình nghiên cứu tương lai (Future Agenda):

  • Phát triển giải thuật DE trực tuyến thích nghi thời gian thực (Online Real-time DE) trực tiếp trên chip xử lý DSP/FPGA.
  • Tích hợp logic mờ loại 2 khoảng (Interval Type-2 Fuzzy) vào cấu trúc nhiều lớp để nâng cao năng lực chống nhiễu trong môi trường công nghiệp khắc nghiệt.
  • Mở rộng thuật toán điều khiển thích nghi đa biến MIMO có ràng buộc ngõ vào (Input Saturation) và bù trễ mạng (Networked Control Systems).

Tác động và ảnh hưởng

  • Tác động học thuật: Các bài báo khoa học xuất bản từ luận án trên các tạp chí quốc tế và hội nghị chuyên ngành (bài báo [1a] đến [9a]) đã và đang trở thành tài liệu tham khảo giá trị cho cộng đồng nghiên cứu điều khiển mờ và tối ưu hóa tiến hóa.
  • Chuyển đổi công nghiệp: Ứng dụng thành công vào cấu cấu chấp hành cơ khí nén nhân tạo (PAM) mở đường cho việc thương mại hóa các robot mềm (soft robotics), thiết bị phục hồi chức năng y tế và bộ gắp linh hoạt trong dây chuyền tự động hóa công nghiệp 4.0.
  • Lợi ích kinh tế - xã hội: Việc tối ưu hóa số lượng luật mờ giúp giảm thiểu yêu cầu cấu hình phần cứng nhúng, hạ giá thành sản xuất thiết bị điều khiển thông minh từ 30–50% so với các giải pháp PLC/PAC cao cấp chuyên dụng.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và học viên cao học: Tiếp cận phương pháp luận phân rã mô hình mờ MIMO và quy trình huấn luyện ghép tầng bằng thuật toán tiến hóa vi sai.
  • Các nhà khoa học điều khiển tự động: Khung chứng minh ổn định Lyapunov kết hợp mô hình xấp xỉ mờ tối ưu cung cấp nền tảng vững chắc để phát triển các cấu trúc điều khiển phi tuyến lai mới.
  • Kỹ sư R&D công nghiệp: Nắm bắt quy trình thiết kế bộ điều khiển AFSMC và AIMFC ứng dụng trên cánh tay máy, hệ thống bồn chứa công nghiệp mà không cần trải qua các bước hiệu chỉnh tham số thử - sai (trial-and-error) tốn kém thời gian.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc tái cấu trúc mạng mờ Takagi-Sugeno thành mô hình Fuzzy nhiều lớp kết hợp phép cộng hợp tuyến tính, phá vỡ hiện tượng bùng nổ số lượng luật mờ từ hàm số mũ $O(M^n)$ xuống hàm tuyến tính $O(n \cdot M)$, giúp mô hình hóa thành công hệ phi tuyến MIMO có trễ. Đồng thời, luận án đã mở rộng lý thuyết điều khiển trượt thích nghi kinh điển bằng việc thiết lập luật thích nghi mới có sự tham gia của các tham số nhận dạng tối ưu ban đầu từ thuật toán DE, chứng minh hệ thống đạt ổn định tiệm cận theo tiêu chuẩn Lyapunov.

2. Điểm mới về phương pháp luận so với ít nhất 2 nghiên cứu quốc tế tiền nhiệm?

So với nghiên cứu của Bagis (2011) về tối ưu mờ MIMO bằng thuật toán bầy ong ABC và nghiên cứu của Tu và cộng sự (2011) về mạng Hierarchical Fuzzy, phương pháp luận của luận án mang tính đột phá ở hai khía cạnh:

  • Thiết lập giải thuật huấn luyện ghép tầng tuần tự với DE, giúp giảm thiểu không gian tìm kiếm đa chiều của bài toán nhận dạng, loại bỏ bế tắc hội tụ cục bộ.
  • Triển khai thành công trên phần cứng vi điều khiển ARM thực tế với thời gian trích xuất tín hiệu $0.1\text{s}$, giải quyết bài toán khả thi phần cứng mà các mô hình Type-2 RBFN của Tavoosi và cộng sự (2017) chưa thể đáp ứng.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và có minh chứng số liệu ra sao?

Phát hiện bất ngờ nhất là sự đối nghịch về độ nhạy của hệ số đột biến $F$ trong thuật toán DE giữa bài toán thuận và bài toán ngược. Trong khi nhận dạng mô hình thuận đòi hỏi $F = 0.01$ để hội tụ mịn về giá trị $MSE = 0.0113$ (nếu chọn $F=0.1$ hệ thống sẽ phân kỳ), thì ở bài toán nhận dạng mô hình ngược, hệ số $F = 0.1$ lại giúp hàm sai số giảm mạnh xuống cấp $10^{-2}$ trong chưa đầy 100 thế hệ với sai số tĩnh không vượt quá $\pm 0.4\text{V}$. Điều này chứng minh rằng bề mặt hàm mục tiêu của mô hình ngược có nhiều cực tiểu cục bộ dốc hơn, đòi hỏi bước đột biến lớn để vượt bẫy.

4. Quy trình lặp lại nghiên cứu (Replication Protocol) có được cung cấp đầy đủ không?

Có. Luận án cung cấp đầy đủ thông số mô hình thực nghiệm bồn nước đôi (diện tích $A_i$, tiết diện ống $b_i$, hệ số dẫn lưu $c=0.8$, tỉ số dòng chảy $\gamma_1=0.7, \gamma_2=0.65$, hằng số bơm $K=6.5$), cấu hình thuật toán DE ($NP=200, CR=0.9/0.1, F=0.01/0.1, GEN=750/1000$), cùng sơ đồ cấu trúc mờ 90 biến và quy trình lọc nhiễu Kalman trên nền tảng phần cứng ARM 32-bit.

5. Chương trình nghiên cứu 10 năm tiếp theo được định hình như thế nào?

Chương trình nghiên cứu 10 năm tới hướng tới việc phát triển các bộ điều khiển thông minh tự trị (Autonomous Intelligent Controllers):

  • Giai đoạn 1–3 năm: Hoàn thiện điều khiển thích nghi đa biến MIMO thực nghiệm có bù trễ thích nghi trên cánh tay máy PAM 3D.
  • Giai đoạn 4–6 năm: Tích hợp vi mạch nơ-ron phần cứng (Neuromorphic Hardware) để thực thi trực tiếp thuật toán DE và suy luận mờ ở cấp độ micro-giây.
  • Giai đoạn 7–10 năm: Xây dựng hệ sinh thái điều khiển thông minh phân tán qua mạng 5G/6G ứng dụng trong y tế từ xa và dây chuyền sản xuất tự hành.

Kết luận

Luận án tiến sĩ của nghiên cứu sinh Cao Văn Kiên là một công trình khoa học công phu, giải quyết trọn vẹn từ lý thuyết nền tảng đến ứng dụng thực nghiệm trong lĩnh vực nhận dạng và điều khiển hệ phi tuyến có trễ.

Sáu đóng góp cốt lõi của công trình được khẳng định:

  1. Đề xuất thành công mô hình Fuzzy nhiều lớp MISO và MIMO, cắt giảm số lượng tham số từ 186 xuống 90 biến, giải quyết căn bản bài toán bùng nổ luật mờ.
  2. Thiết lập thuật toán huấn luyện ghép tầng tuần tự kết hợp giải thuật tiến hóa vi sai (DE), nâng cao tốc độ hội tụ và độ chính xác hàm mục tiêu ($MSE = 0.0113$).
  3. Phát triển bộ điều khiển trượt mờ thích nghi nâng cao (AFSMC) loại bỏ rung giật và triệt tiêu sai số khởi động nhờ tận dụng các tham số tối ưu hóa ban đầu.
  4. Sáng tạo giải thuật điều khiển mô hình ngược thích nghi (AIMFC) kết hợp mô hình ngược mờ tối ưu DE ngoại tuyến với khối thích nghi trực tuyến, bảo đảm tính ổn định tiệm cận Lyapunov.
  5. Kiểm chứng thực nghiệm thành công trên hai hệ thống phần cứng phức tạp: hệ bồn nước đôi liên kết Quanser và cánh tay máy cơ khí nén nhân tạo PAM song song.
  6. Mở ra phương pháp luận mới trong việc kết hợp giải thuật tối ưu hóa tiến hóa với lý thuyết điều khiển tự động phi tuyến hiện đại, để lại giá trị ứng dụng lâu dài cho ngành tự động hóa.