Tổng quan về luận án

Nghiên cứu của tác giả Đào Quang Khanh (2020) với đề tài "Nghiên cứu điều khiển bám tối ưu mô-men cho động cơ xăng để giảm lượng nhiên liệu tiêu thụ" thuộc chuyên ngành Kỹ thuật điều khiển và tự động hóa (Mã số: 9520216), do PGS. Trần Anh Dũng và PGS. Lưu Kim Thành hướng dẫn tại Trường Đại học Hàng hải Việt Nam, đặt nền móng giải quyết bài toán cốt lõi trong công nghiệp ô tô hiện đại: tối ưu hóa hiệu suất năng lượng và cắt giảm phát thải thông qua cấu trúc điều khiển bám mô-men toàn cục.

Trong bối cảnh hơn 90 triệu xe hơi xuất xưởng toàn cầu mỗi năm với tốc độ tăng trưởng 5% hàng năm, các thách thức về cạn kiệt nhiên liệu hóa thạch và tiêu chuẩn khí thải khắt khe (Euro, Nhật Bản) buộc các nhà sản xuất phải chuyển dịch từ các giải pháp cơ khí sang chiến lược điều khiển tự động hóa cao cấp. Khoảng trống nghiên cứu (research gap) then chốt được xác định là: phần lớn các công trình kinh điển chỉ tập trung tối ưu hóa cục bộ từng vòng điều khiển đơn lẻ—như điều khiển tốc độ không tải (Idle Speed Control - ISC), điều khiển tỷ lệ hòa khí ($\text{AFR} = 14.66, \lambda = 1$), góc đánh lửa sớm ($\text{ST/MBT}$), hoặc thời gian phun nhiên liệu. Khi phương tiện vận hành trong điều kiện tải biến thiên nhanh và biên độ lớn, các bộ điều khiển cục bộ này không đảm bảo được tính tối ưu toàn cục về suất tiêu hao nhiên liệu. Hơn nữa, động cơ xăng là đối tượng phi tuyến mạnh, đa biến, có độ trễ chu kỳ nén-cháy và tham số bất định liên tục thay đổi theo thời gian do lão hóa cơ khí, ma sát, nhiệt độ làm việc và phẩm cấp nhiên liệu.

Luận án thiết lập 3 câu hỏi và giả thuyết nghiên cứu chính:

  1. Câu hỏi nghiên cứu 1 ($RQ_1$): Làm thế nào để mô hình hóa chính xác các quá trình động học dòng khí, phun nhiên liệu, quá trình cháy và cân bằng mô-men có trễ trong động cơ xăng đánh lửa cưỡng bức (SI)? Giả thuyết 1 ($H_1$): Mô hình động cơ giá trị trung bình (Mean Value Engine Model - MVEM) tích hợp trễ nạp-cháy mô tả trung thực đáp ứng quá trình công tác của động cơ.
  2. Câu hỏi nghiên cứu 2 ($RQ_2$): Thuật toán điều khiển nào vừa đảm bảo tính thích nghi trực tuyến với tham số biến đổi, vừa tối ưu hóa năng lượng và triệt tiêu sai số xác lập của tốc độ và mô-men? Giả thuyết 2 ($H_2$): Bộ điều khiển bám tối ưu toàn phương tích phân tuyến tính tự chỉnh (Self-Tuning Linear Quadratic Integral Tracking - LQIT) kết hợp điều khiển đường chân trời lùi (RHC) và nhận dạng đệ quy trực tuyến sẽ vượt trội so với các cấu trúc PID/FLC truyền thống.
  3. Câu hỏi nghiên cứu 3 ($RQ_3$): Cấu trúc điều khiển đề xuất có đáp ứng yêu cầu tính toán thời gian thực (real-time embedded feasibility) khi triển khai trên phần cứng vi xử lý nhúng chi phí thấp? Giả thuyết 3 ($H_3$): Hệ thống điều khiển nhúng trên vi điều khiển 8-bit/16-bit kết nối phần cứng trong vòng lặp (Hardware-In-The-Loop - HIL) đảm bảo bám chính xác mô-men cản trong dải $\pm 10\text{ Nm}$ đến $\pm 30\text{ Nm}$ ở chế độ điều khiển hành trình (Cruise Control).

Khung lý thuyết của công trình tích hợp lý thuyết tối ưu hóa tuyến tính Kalman-Bucy/Riccati, lý thuyết nhận dạng tham số đệ quy ARX (AutoRegressive with Exogenous terms), và động lực học phương dọc xe cơ giới. Đóng góp đột phá của luận án là xác lập cấu trúc điều khiển bám mô-men tự chỉnh trực tuyến, giúp giảm đáng kể lượng nhiên liệu tiêu thụ và duy trì độ ổn định tiệm cận của vận tốc xe trong mọi điều kiện cản dốc, cản gió và ma sát mặt đường.

Literature Review và Positioning

Tổng quan các công trình quốc tế và trong nước cho thấy sự tiến hóa rõ nét của các trường phái điều khiển động cơ đốt trong qua các thời kỳ:

[Giai đoạn 1970-1980] Bản đồ tra cứu tĩnh (Look-up Maps / Open-loop logic)
[Giai đoạn 1990-2010] Điều khiển cục bộ đơn biến (PID, FLC, SMC, Neural Network)
[Giai đoạn 2010-nay]  Quản lý mô-men toàn cục (Torque-Based Control Architecture)

Giai đoạn đầu (thập niên 1970 - 1980) chủ yếu dựa trên phương pháp lập bản đồ thực nghiệm đa chiều (Look-up tables/Maps) giữa góc đánh lửa, tỷ lệ hòa khí, mô-men và tốc độ động cơ. Cách tiếp cận này bộc lộ nhược điểm lớn khi đòi hỏi hàng ngàn giờ thử nghiệm tốn kém và hoàn toàn bất lực trước hiện tượng lão hóa chi tiết cơ khí hoặc trôi tham số nhiệt.

Giai đoạn phát triển các bộ điều khiển phi tuyến cục bộ xuất hiện nhiều tranh luận học thuật:

  • Nhóm nghiên cứu điều khiển không tải và tỷ lệ hòa khí: Butts et al. (1999) và Aquino (2013) sử dụng mô hình hàm truyền bậc nhất có trễ kết hợp bộ điều khiển PI/PID, tuy nhiên hệ thống dễ mất ổn định khi có nhiễu mô-men phụ tải lớn. Nhóm tác giả Choi et al. áp dụng mạng nơ-ron và logic mờ (FLC) để bù sai lệch AFR, nhưng thuật toán có độ phức tạp tính toán cao và khó chứng minh tính ổn định toán học giải tích.
  • Nhóm nghiên cứu điều khiển trượt (SMC) và tối ưu (LQR/LQG): Chen & Chen đề xuất SMC cho điều khiển không tải nhằm chống nhiễu tham số, song lại vấp phải hiện tượng chattering gây rung giật cơ khí trục khuỷu. Các nghiên cứu của Kiencke & Nielsen (2000) và Guzzella & Onder (2010) áp dụng LQR/LQG cho thấy khả năng tối ưu phản hồi trạng thái tốt, nhưng tồn tại sai số xác lập khi mô-men cản thay đổi liên tục nếu không có khâu tích phân sai lệch.
  • Nhóm nghiên cứu điều khiển dự báo MPC cho mô-men: Falcone et al. và Del Re et al. chứng minh MPC kiểm soát mô-men rất mượt mà. Tuy nhiên, rào cản lớn nhất của MPC phi tuyến là khối lượng tính toán giải bài toán tối ưu bậc hai có ràng buộc trong mỗi chu kỳ trích mẫu ($T_s \le 10\text{ ms}$), vượt quá năng lực xử lý của các bộ điều khiển động cơ tiêu chuẩn (Engine Control Unit - ECU).

Tại Việt Nam, các nghiên cứu của Nguyễn Tiến Hán & Nguyễn Xuân Khoa (2011) về điều khiển góc đánh lửa theo áp suất chỉ thị, hay Lê Hoài Đức & Nguyễn Thìn Quỳnh (2013) về điều khiển AFR bằng PID, chủ yếu dừng lại ở các vòng điều khiển cục bộ riêng lẻ, chưa tiếp cận bài toán điều khiển bám mô-men toàn diện trong chế độ Cruise Control.

Luận án của NCS. Đào Quang Khanh định vị chính xác vào khoảng trống này: kết hợp tính tối ưu toàn phương của bộ điều khiển LQIT với thuật toán nhận dạng trực tuyến ARX đệ quy thời gian thực và bộ quan sát trạng thái Kalman rời rạc. Cấu trúc này vừa giải phóng gánh nặng tính toán của MPC, vừa khắc phục triệt để nhược điểm sai lệch mô hình tĩnh của LQR truyền thống.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng lý thuyết điều khiển tối ưu hiện đại (Linear Quadratic Optimal Control Theory của Kalman, Athans và Lewis) vào lớp đối tượng phi tuyến phức tạp có trễ và thông số biến đổi theo thời gian (Linear Parameter-Varying / Non-stationary Nonlinear Systems).

Khung khái niệm toán học mở rộng vector trạng thái tích hợp sai số bám:

$$\dot{x}(t) = A x(t) + B u(t)$$

$$y(t) = C x(t)$$

$$e(t) = r(t) - y(t)$$

$$\dot{z}(t) = e(t) = r(t) - C x(t)$$

Vector trạng thái mở rộng được định nghĩa:

$$x_a(t) = \begin{bmatrix} x(t) \ z(t) \end{bmatrix} \in \mathbb{R}^{n+p}$$

Hệ phương trình trạng thái mở rộng liên tục:

$$\dot{x}_a(t) = \begin{bmatrix} A & 0 \ -C & 0 \end{bmatrix} x_a(t) + \begin{bmatrix} B \ 0 \end{bmatrix} u(t) + \begin{bmatrix} 0 \ I \end{bmatrix} r(t) = A_a x_a(t) + B_a u(t) + G_a r(t)$$

Hàm mục tiêu chất lượng tối ưu toàn phương:

$$J = \frac{1}{2} \int_0^\infty \left[ x_a^T(t) Q x_a(t) + u^T(t) R u(t) \right] dt$$

Trong đó $Q = \text{diag}(Q_x, Q_I) \ge 0$ là ma trận trọng số phạt trạng thái và tích phân sai lệch bám, $R > 0$ là ma trận trọng số phạt tín hiệu điều khiển góc mở bướm ga $\alpha$. Luật điều khiển tối ưu bám tích phân có dạng:

$$u(t) = -K x_a(t) = -K_x x(t) - K_I \int_0^t (r(\tau) - y(\tau)) d\tau$$

Với ma trận độ lợi $K = R^{-1} B_a^T P$, trong đó $P$ là nghiệm đối xứng xác định dương duy nhất của phương trình đại số Riccati liên tục (Continuous Algebraic Riccati Equation - CARE):

$$A_a^T P + P A_a - P B_a R^{-1} B_a^T P + Q = 0$$

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp 3 trụ cột lý thuyết: (1) Mô hình nhiệt động lực học động cơ giá trị trung bình MVEM, (2) Thuật toán nhận dạng đệ quy ARX trực tuyến thích nghi theo cơ chế điều khiển đường chân trời lùi (RHC), và (3) Bộ lọc tối ưu ngẫu nhiên Kalman rời rạc.

Điểm độc đáo nằm ở sự tách biệt thông minh giữa mô hình đối tượng phi tuyến thực và mô hình tham số tương đương cục bộ. Thay vì giải bài toán tối ưu phi tuyến phức tạp trong không gian liên tục, hệ thống liên tục trích xuất vector tham số:

$$\hat{\theta}_k = \left[ \hat{a}_1, \hat{a}_2, \hat{a}_3, \hat{b}_1, \hat{b}_2, \hat{b}_3 \right]^T$$

để cấu trúc lại ma trận trạng thái rời rạc $A(k), B(k), C(k)$. Từ đó, nghiệm của phương trình Riccati đại số rời rạc (DARE) được cập nhật liên tục sau mỗi chu kỳ lấy mẫu, loại bỏ hoàn toàn ảnh hưởng của độ bất định mô hình và sự suy giảm phẩm chất linh kiện cơ khí theo thời gian.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ thế giới quan thực chứng (Positivism / Post-positivism), áp dụng phương pháp nghiên cứu định lượng thực nghiệm suy diễn (deductive-empirical methodology) kết hợp chặt chẽ giữa giải tích toán học, mô phỏng động lực học và kiểm chứng phần cứng thời gian thực HIL.

Hệ thống phương trình vi phân phi tuyến toàn phần của động cơ xăng SI được xây dựng dựa trên 3 quá trình vật lý nền tảng:

  1. Động học không khí trên đường ống nạp: $$\frac{dm_a}{dt} = \frac{dm_{ai}}{dt} - \frac{dm_{ao}}{dt}$$ $$\frac{dm_{ai}}{dt} = m_{\text{MAX}} \left(1 - \cos(1.14459 \alpha - 1.06)\right) \left(1 - \exp\left(9 \left(\frac{P_m}{P_{\text{atm}}} - 1\right)\right)\right)$$ $$\frac{dm_{ao}}{dt} = \frac{V_m \cdot M_a \cdot P_m \cdot V_e \cdot \eta_{\text{vol}} \cdot N_e}{4 V_m R T_m}$$

  2. Động lực học hệ thống phun nhiên liệu gián tiếp: $$\frac{dm_{fi}}{dt} = \frac{1}{T_f} (m_{fc} - m_{fi})$$ $$T_f = 0.05 \left(\frac{1.5}{N_e} \frac{m_{fc}}{m_{\text{MAX}}} (A/F)\right)$$

  3. Động học quá trình cháy, sinh công và cân bằng mô-men trục khuỷu: $$M_i = c_M \frac{m_{ao}(t - t_{it})}{N_e(t - t_{it})} \text{AFI}(t - t_{it}) \text{SI}(t - t_{st})$$ $$\text{SI} = \cos(\text{SA} - \text{MBT}) \cdot 2.875$$ $$\frac{dN_e}{dt} = \frac{1}{J_e} (M_i - M_f - M_c)$$ $$M_f = 0.1056 \frac{N_e}{1000} + 15.1$$

Động lực học phương dọc xe ô tô ở chế độ Cruise Control xác lập phương trình cân bằng kéo:

$$F_k = F_\omega + F_r + F_i + F_j = \frac{M_e \cdot i_t \cdot \eta}{r_b}$$

Trong đó $F_\omega$ là lực cản không khí, $F_r$ là lực cản lăn ma sát mặt đường, $F_i = m g \sin\alpha$ là lực cản dốc, và $F_j = m \frac{dv}{dt}$ là lực quán tính.

Quy trình nghiên cứu rigorous

Quy trình nhận dạng và quan sát trạng thái được thiết kế qua các bước nghiêm ngặt:

[Kích thích đầu vào: Tín hiệu PRBS / Sin / Tam giác vào góc mở bướm ga α]
[Thu thập chuỗi dữ liệu vào-ra: Góc mở α(k) và Tốc độ Ne(k), Mô-men Me(k)]
[Nhận dạng mô hình cấu trúc ARX trực tuyến: Ước lượng vector tham số θ̂(k)]
[Bộ quan sát trạng thái Kalman rời rạc: Lọc nhiễu ngẫu nhiên quá trình w(k) & v(k)]
[Thuật toán LQIT tự chỉnh RHC: Cập nhật nghiệm DARE và ma trận độ lợi hồi tiếp K(k)]
  • Nhận dạng hệ thống đệ quy: Thu thập dữ liệu vào-ra $u(k) = \alpha(k)$ và $y(k) = [N_e(k), M_e(k)]^T$ dưới các tín hiệu kích thích đa dạng (tín hiệu nhị phân ngẫu nhiên PRBS, sóng hình sin, sóng tam giác) trong dải góc mở bướm ga $\alpha \in [0^\circ, 79.46^\circ]$. Mô hình ARX bậc 3 được tối ưu hóa để phản ánh đầy đủ các điểm cực (poles) và điểm không (zeros) của động cơ.
  • Bộ quan sát trạng thái Kalman rời rạc: Được thiết kế để bù đắp các biến trạng thái không đo trực tiếp được (nhiệt độ buồng đốt, lưu lượng khí nạp tức thời) và triệt tiêu nhiễu đo lường: $$\hat{x}{k|k} = \hat{x}{k|k-1} + K_k^f (y_k - C \hat{x}{k|k-1})$$ $$K_k^f = P{k|k-1} C^T (C P_{k|k-1} C^T + R_v)^{-1}$$ $$P_{k|k} = (I - K_k^f C) P_{k|k-1}$$ với hiệp phương sai nhiễu quá trình $Q_w$ và nhiễu đo lường $R_v$.

Data và phân tích

Thiết lập thực nghiệm Hardware-In-The-Loop (HIL) tạo môi trường kiểm chứng song song thời gian thực:

  • Cấu hình phần cứng: Sử dụng 02 Kit Arduino Mega 2560 (vi điều khiển ATmega2560, tần số thạch anh 16 MHz, bộ nhớ Flash 256 KB, SRAM 8 KB) kết nối đồng bộ trực tuyến với MATLAB/Simulink thông qua giao thức giao tiếp nối tiếp tốc độ cao.
    • Máy tính 1 (Virtual Engine Plant): Chạy mô hình phi tuyến đầy đủ của động cơ xăng và động học xe ô tô.
    • Máy tính 2 (Embedded Controller): Cài đặt bộ điều khiển LQIT tự chỉnh, thuật toán ARX trực tuyến và bộ lọc Kalman nhúng trên kit vi điều khiển.
  • Kịch bản kiểm thử tải: Khảo sát hệ thống dưới 3 mức mô-men cản danh định: $M_c = \pm 10\text{ Nm}$ (Bảng 3.1), $M_c = \pm 20\text{ Nm}$ (Bảng 3.2), và $M_c = \pm 30\text{ Nm}$ (Bảng 3.3) với 2 dạng kích thích nhiễu cản khắc nghiệt: dạng xung sóng vuông chu kỳ và dạng bậc thang (step disturbance).

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm mô phỏng và HIL trên hệ thống kiểm chứng xác nhận 4 phát hiện bước ngoặt:

Tiêu chí khảo sát Bộ điều khiển kinh điển PID Bộ điều khiển đề xuất LQIT tự chỉnh Mức độ cải thiện / Ý nghĩa thực chứng
Thời gian xác lập ($t_s$) $2.5 - 3.8\text{ s}$ $0.8 - 1.2\text{ s}$ Nhanh hơn 68.4%, giảm thiểu trễ động học
Độ quá điều chỉnh ($\sigma%$) $12.5% - 18.2%$ $< 2.1%$ Triệt tiêu rung giật mô-men trục khuỷu
Độ lệch vận tốc xác lập ($e_{ss}$) $\pm 15 - 25\text{ rpm}$ $\approx 0\text{ rpm}$ Khâu tích phân sai lệch triệt tiêu hoàn toàn sai số
Độ dao động góc mở ga $\alpha$ Biên độ vọt lố lớn, dao động quanh điểm cân bằng Mượt mà, đáp ứng dốc tối ưu theo tải Bảo vệ độ bền cơ cấu chấp hành bướm ga
Tiêu hao nhiên liệu ($M_c = 10\text{ Nm}$) Mức tiêu hao cơ sở Giảm rõ rệt trên chu trình hành trình Tiết kiệm nhiên liệu định lượng ổn định
Tiêu hao nhiên liệu ($M_c = 20\text{ Nm}$) Mức tiêu hao cơ sở Giảm tương ứng với tải trọng trung bình Tối ưu hóa hòa khí nạp theo mô-men bám
Tiêu hao nhiên liệu ($M_c = 30\text{ Nm}$) Tiêu hao tăng đột biến do bù ga quá mức Tiết kiệm vượt trội nhờ bám sát mô-men Cắt giảm lượng xăng dư thừa trong kỳ cháy
  1. Khả năng bám mô-men tối ưu không trễ: Dưới tác động của mô-men cản dạng sóng vuông $\pm 20\text{ Nm}$ và dạng bậc thang $\pm 30\text{ Nm}$, thuật toán LQIT tự chỉnh phản hồi góc mở bướm ga $\alpha$ chính xác và triệt tiêu dao động mô-men ngay tại thời điểm xác lập, trong khi bộ điều khiển PID xuất hiện hiện tượng vọt lố lớn và dao động kéo dài gây tổn thất công suất.
  2. Hiệu quả tiết kiệm nhiên liệu thực tế: Tại tất cả các mức phụ tải từ $10\text{ Nm}$ đến $30\text{ Nm}$, lượng nhiên liệu tiêu thụ của hệ thống tích hợp LQIT tự chỉnh luôn thấp hơn đáng kể so với PID, nhờ việc loại bỏ hoàn toàn các chu kỳ bù ga dư thừa do dao động tốc độ gây ra.
  3. Tính thích nghi với tham số phi tuyến: Mô hình ARX nhận dạng trực tuyến cập nhật chính xác vector tham số $\hat{\theta}_k$ khi tín hiệu kích thích thay đổi liên tục, giúp bộ lọc Kalman lọc sạch nhiễu ngẫu nhiên và cung cấp tín hiệu trạng thái trung thực cho luật điều khiển tối ưu.

Implications đa chiều

  • Về mặt lý thuyết: Minh chứng thành công khả năng tuyến tính hóa thích nghi cục bộ thông qua nhận dạng trực tuyến cho hệ phi tuyến có trễ mà không cần giải hệ phương trình vi phân đạo hàm riêng phi tuyến nặng nề, tạo tiền đề mở rộng cho các hệ thống động lực học phức tạp khác.
  • Về mặt phương pháp luận: Xác lập quy trình thiết kế điều khiển từ mô hình hóa toán học lý thuyết $\rightarrow$ nhận dạng ARX $\rightarrow$ tổng hợp LQIT/Kalman $\rightarrow$ thực nghiệm nhúng HIL trên vi điều khiển chi phí thấp, rút ngắn chu kỳ R&D trong công nghiệp.
  • Về mặt ứng dụng thực tiễn: Giải pháp có thể nạp trực tiếp vào bộ nhớ vi điều khiển của các ECU thương mại để nâng cấp tính năng Cruise Control thông minh cho xe du lịch và xe vận tải mà không cần thay đổi phần cứng cơ khí động cơ.
  • Về chính sách và môi trường: Đóng góp trực tiếp vào mục tiêu quốc gia và quốc tế về giảm phát thải khí nhà kính ($\text{CO}_2, \text{HC}, \text{NO}_x$) trong ngành giao thông vận tải đường bộ.

Limitations và Future Research

Mặc dù đạt được những kết quả xuất sắc, công trình vẫn tồn tại một số giới hạn nghiên cứu cần được nhìn nhận khách quan:

  • Điều kiện vận hành giới hạn: Luận án mới tập trung khảo sát chế độ Cruise Control khi ô tô chuyển động trên đường thẳng bằng phẳng hoặc dốc đều, chưa xét đến các điều kiện chuyển làn khẩn cấp, phanh tái sinh hoặc động học vào cua phức tạp nơi có sự can thiệp của hệ thống cân bằng điện tử (ESP/ESC).
  • Tín hiệu điều khiển đơn biến: Đầu vào điều khiển chính được lựa chọn là góc mở bướm ga $\alpha$, trong khi tỷ lệ hòa khí $\lambda$ và góc đánh lửa sớm $\text{SA}$ được giả định giữ ở trạng thái tối ưu cục bộ ($\lambda = 1, \text{SA} = \text{MBT}$).
  • Môi trường thực nghiệm HIL: Thực nghiệm kiểm chứng được thực hiện trên mô hình đối tượng động cơ ảo mô phỏng thời gian thực kết nối với kit Arduino, chưa có điều kiện thử nghiệm trên băng thử động lực kế (Dynamometer Engine Testbench) với động cơ thực tế và xe chạy trên đường thực (Real Driving Emissions - RDE).

Các hướng phát triển nghiên cứu tương lai:

  1. Mở rộng cấu trúc LQIT tự chỉnh thành hệ đa biến (MIMO), điều khiển đồng thời và phối hợp 3 tín hiệu: góc mở bướm ga $\alpha$, thời điểm đánh lửa $\text{SA}$ và thời gian mở kim phun $T_f$.
  2. Tích hợp thuật toán học tăng cường thích nghi (Adaptive Reinforcement Learning) hoặc mạng nơ-ron sâu để tự động dò tìm ma trận trọng số $Q, R$ tối ưu theo từng phong cách lái xe.
  3. Triển khai thử nghiệm trên băng thử động cơ đốt trong thực tế kết hợp cảm biến đo tiêu hao nhiên liệu chuyên dụng và thiết bị phân tích khí thải lưu động.
  4. Nghiên cứu tích hợp hệ thống quản lý năng lượng trên các dòng xe Hybrid (HEV/PHEV) kết hợp động cơ xăng và mô-tơ điện.

Tác động và ảnh hưởng

Luận án tạo ra tác động sâu rộng trên cả 3 phương diện học thuật, công nghiệp và xã hội:

  • Tác động học thuật: Cung cấp tài liệu tham khảo chuẩn mực và phương pháp luận thiết kế hệ thống điều khiển tối ưu tự chỉnh cho cộng đồng nghiên cứu điều khiển tự động, kỹ thuật ô tô và cơ điện tử tại Việt Nam.
  • Chuyển giao công nghiệp: Cung cấp giải pháp phần mềm nhúng có thể ứng dụng trực tiếp cho các doanh nghiệp lắp ráp ô tô, xe máy trong nước nhằm nội địa hóa phần mềm điều khiển ECU động cơ, giảm sự phụ thuộc vào các hãng sản xuất nước ngoài.
  • Lợi ích môi trường và xã hội: Việc tối ưu hóa mô-men giúp tiết kiệm từ $4.5% - 6.5%$ lượng nhiên liệu tiêu thụ trên diện rộng, giảm trực tiếp hàng ngàn tấn phát thải độc hại mỗi năm, đóng góp thiết thực cho phát triển giao thông xanh bền vững.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và học viên cao học: Nắm vững phương pháp luận kết hợp giữa mô hình hóa vật lý MVEM, nhận dạng hệ thống ARX và kỹ thuật Hardware-In-The-Loop.
  • Kỹ sư R&D ngành ô tô và tự động hóa: Tiếp cận mã nguồn thuật toán điều khiển tối ưu có thể nhúng trực tiếp lên các dòng chip vi xử lý phổ thông như ARM Cortex-M, STM32, Texas Instruments DSP hay Arduino.
  • Các nhà hoạch định chính sách giao thông: Có thêm cơ sở khoa học để xây dựng tiêu chuẩn kỹ thuật về hiệu suất năng lượng và hỗ trợ phát triển phương tiện giao thông thông minh.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc thiết lập thành công cấu trúc điều khiển bám tối ưu tích phân toàn phương tuyến tính tự chỉnh (Self-Tuning LQIT) cho lớp đối tượng phi tuyến mạnh có trễ dựa trên cơ chế điều khiển đường chân trời lùi (RHC) kết hợp nhận dạng ARX đệ quy trực tuyến, khắc phục triệt để bài toán trôi tham số do lão hóa cơ khí của động cơ xăng.

  2. Đột phá phương pháp luận so với các nghiên cứu trước đây thể hiện ở điểm nào? So với phương pháp LQR/LQG kinh điển (Kiencke & Nielsen, 2000) vốn yêu cầu mô hình tuyến tính hóa cố định quanh điểm làm việc, và phương pháp MPC phi tuyến (Falcone et al.) đòi hỏi cấu hình máy tính hiệu năng cao, phương pháp luận của luận án cho phép tính toán trực tuyến nghiệm Riccati trên chip vi điều khiển nhúng 8-bit/16-bit giá trị thấp thông qua chu kỳ lấy mẫu thời gian thực của mô hình ARX.

  3. Phát hiện thực nghiệm gây bất ngờ nhất là gì? Thuật toán LQIT tự chỉnh không chỉ triệt tiêu hoàn toàn sai số xác lập của vận tốc xe ở mọi dải mô-men cản ($\pm 10\text{ Nm}, \pm 20\text{ Nm}, \pm 30\text{ Nm}$), mà còn giữ cho quỹ đạo chuyển động của góc mở bướm ga $\alpha$ cực kỳ êm dịu, không xảy ra hiện tượng chattering hay sốc cơ khí như các bộ điều khiển trượt (SMC) hoặc quá điều chỉnh như PID.

  4. Luận án có cung cấp giao thức tái lập nghiên cứu (Replication Protocol) không? Có. Toàn bộ sơ đồ khối Simulink, hệ phương trình vi phân toán học chi tiết của động cơ, thư viện giao tiếp nối tiếp Arduino IO Library, và cấu trúc kết nối vật lý 2 máy tính qua phương pháp Hardware-In-The-Loop đều được mô tả chi tiết, cho phép tái lập và kiểm chứng thực nghiệm độc lập.

  5. Chương trình nghiên cứu 10 năm tiếp theo được định hình như thế nào? Định hướng phát triển tập trung vào việc mở rộng hệ thống điều khiển mô-men đa biến (MIMO), tích hợp trí tuệ nhân tạo biên (Edge AI) trong việc tự động hiệu chỉnh ma trận trọng số tối ưu $Q, R$, và áp dụng cấu trúc điều khiển bám mô-men cho hệ thống truyền động xe điện lai (Hybrid Electric Vehicles).

Kết luận

Luận án tiến sĩ của NCS. Đào Quang Khanh đã giải quyết trọn vẹn và xuất sắc bài toán khoa học về điều khiển tối ưu mô-men động cơ xăng, với 5 đóng góp cốt lõi:

  1. Xây dựng hoàn chỉnh mô hình toán học vi phân phi tuyến động cơ xăng SI tích hợp động học đường hút, hệ thống phun xăng, quá trình cháy có trễ và động học phương dọc ô tô.
  2. Ứng dụng thành công thuật toán nhận dạng hệ thống ARX trực tuyến để cập nhật liên tục mô hình toán của động cơ xăng thích nghi với sự thay đổi tham số theo thời gian.
  3. Thiết kế bộ quan sát trạng thái Kalman rời rạc giúp ước lượng chính xác các biến trạng thái bên trong động cơ dưới tác động của nhiễu quá trình và nhiễu đo lường.
  4. Đề xuất thuật toán điều khiển bám tối ưu LQIT tự chỉnh theo nguyên lý đường chân trời lùi RHC, chứng minh tính ổn định toàn cục và hiệu quả cắt giảm nhiên liệu vượt trội so với các phương pháp điều khiển kinh điển.
  5. Cài đặt và kiểm chứng thành công chất lượng thuật toán thời gian thực bằng phương pháp Hardware-In-The-Loop trên kit phần cứng Arduino Mega 2560 kết nối trực tiếp với MATLAB/Simulink.

Công trình khẳng định bước tiến vượt bậc trong việc làm chủ công nghệ điều khiển tự động hóa cao cấp cho động cơ đốt trong, mở ra triển vọng to lớn trong nghiên cứu và ứng dụng thực tiễn của ngành công nghiệp ô tô Việt Nam.