Tổng quan luận án

Luận án tiến sĩ kỹ thuật chuyên ngành Kỹ thuật điều khiển & tự động hóa (mã số: 62520216) của tác giả Nguyễn Ngọc Sơn, bảo vệ năm 2017 tại Trường Đại học Bách khoa – Đại học Quốc gia TP. Hồ Chí Minh, dưới sự hướng dẫn khoa học của PGS. Hồ Phạm Huy Ánh và TS. Trương Đình Châu, tập trung vào việc nghiên cứu giải pháp nhận dạng và điều khiển hệ phi tuyến bằng mạng nơ rôn kết hợp thuật toán tối ưu tiến hóa vi sai.

Tính cấp thiết và khoảng trống nghiên cứu

Các hệ thống phi tuyến trong thực tế thường chứa đựng các yếu tố bất định và chịu ảnh hưởng của nhiễu động môi trường, khiến việc thiết lập mô hình toán học giải tích chính xác gặp nhiều khó khăn. Các phương pháp điều khiển dựa trên mô hình giải tích truyền thống khó đáp ứng yêu cầu chất lượng điều khiển ngày càng khắt khe. Mặt khác, các phương pháp nhận dạng và điều khiển bằng mạng nơ rôn nhân tạo truyền thống sử dụng thuật toán lan truyền ngược (Back-Propagation - BP) dựa trên suy giảm độ dốc (Gradient Descent - GD) dễ rơi vào điểm cực trị cục bộ, đòi hỏi hàm mục tiêu phải khả vi và liên tục. Thuật toán tiến hóa vi sai (Differential Evolution - DE) là công cụ tìm kiếm toàn cục hiệu quả nhưng tồn tại các nhược điểm như tốc độ khai thác cục bộ chậm, dễ bị trì trệ (stagnation) và nhạy cảm với các tham số điều khiển. Do đó, việc nghiên cứu các phiên bản cải tiến của thuật toán DE để tối ưu hóa trọng số mạng nơ rôn phục vụ nhận dạng và điều khiển thích nghi hệ phi tuyến là một yêu cầu cấp thiết.

Mục tiêu nghiên cứu

Luận án xác định 5 mục tiêu nghiên cứu cụ thể được đánh số như sau:

  1. Nghiên cứu thuật toán tiến hóa vi sai DE cơ bản, phân tích các yếu tố ảnh hưởng đến chất lượng hội tụ, từ đó đề xuất hai thuật toán cải tiến là HDE (Hybrid Differential Evolution) và MDE (Modified Differential Evolution); đánh giá trên các hàm toán học Benchmark.
  2. Ứng dụng các thuật toán HDE và MDE vào bài toán tối ưu hóa trọng số của mạng nơ rôn truyền thẳng nhiều lớp MLP (Multi-Layers Perceptron).
  3. Xây dựng mô hình dự báo NNARX (kết hợp mạng MLP và mô hình hồi quy phi tuyến NARX) với các trọng số được tối ưu bởi HDE và MDE để nhận dạng hệ phi tuyến SISO và MIMO.
  4. Xây dựng cấu trúc bộ điều khiển tích hợp PID-INN cho hệ phi tuyến, kết hợp bộ điều khiển truyền thẳng dựa trên mô hình nơ rôn ngược dự báo INN (Inverse NNARX) và bộ điều khiển phản hồi PID, trong đó các trọng số của INN được tự chỉnh định trực tuyến (online).
  5. Kiểm chứng hiệu quả của bộ điều khiển PID-INN thông qua mô phỏng so sánh và thực nghiệm trên các mô hình vật lý: cơ cấu chấp hành hợp kim nhớ hình SMA, hệ bồn nước liên kết và tay máy song song 2-DOF dùng cơ nhân tạo khí nén Festo-PAM.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng mô phỏng và kiểm chứng thuật toán: 4 hàm toán học Benchmark đa cực trị chuẩn gồm Sphere, Griewank, Ackley, Rastrigin; các mô hình hệ thống phi tuyến SISO và MIMO chuẩn trong lý thuyết điều khiển (theo tài liệu của Narendra & Parthasarathy [41], [164]).
  • Đối tượng thực nghiệm: Hệ truyền động vị trí dùng hợp kim nhớ hình SMA (Shape Memory Alloy - Nitinol), hệ thống bồn nước liên kết (Coupled-tank system), và hệ thống tay máy song song 2 bậc tự do (2-DOF) dẫn động bằng sợi cơ nhân tạo PAM (Pneumatic Artificial Muscle - Festo MAS-20).
  • Phạm vi nghiên cứu: Giới hạn trong lớp các đối tượng phi tuyến SISO và MIMO có khả năng điều khiển ổn định và bền vững khi sử dụng bộ điều khiển PID kinh điển.

Tổng quan tài liệu và vị trí của luận án

Luận án đã hệ thống hóa các công trình nghiên cứu trong nước và quốc tế liên quan đến nhận dạng và điều khiển thông minh hệ phi tuyến:

  • Mô hình tính toán nơ rôn và hệ mờ: McCulloch và Pitts [57] khởi xướng mô hình toán học của tế bào nơ rôn nhân tạo. Các mô hình kết hợp như ANFIS của Jang [8]–[10], hệ nơ rôn mờ [11]–[13], hệ mờ di truyền [14]–[16] đã phát huy ưu điểm xấp xỉ hàm phi tuyến. Các cấu trúc mạng MLP [41], RBF [72], mạng hồi quy [73]–[75] được áp dụng rộng rãi trong nhận dạng hệ thống.
  • Thuật toán huấn luyện mạng cổ điển: Thuật toán lan truyền ngược BP của Rumelhart [20], phương pháp Gradient liên hợp CG [21]–[23] phụ thuộc vào thông tin đạo hàm, dễ mắc kẹt tại cực trị cục bộ khi không gian tìm kiếm đa mục tiêu hoặc không lồi [24], [25].
  • Thuật toán tiến hóa và tiến hóa vi sai: Thuật toán DE được R. Storn và K. Price giới thiệu năm 1995 [29], [125]. Các nghiên cứu về điều chỉnh tham số điều khiển của DE gồm Gamperle et al. [126], Ronkkonen et al. [127], Pedersen et al. [129]. Các thuật toán tự thích nghi tham số gồm FADE của Liu và Lampinen [133], SaDE của Qin et al. [131], jDE của Janez Brest et al. [134], ADE của Zaharie et al. [139], nghiên cứu biến thiên kích thước quần thể của Mallipeddi et al. [137], [138] và Brest et al. [136].
  • Kỹ thuật lai ghép tối ưu: Các phương pháp kết hợp thuật toán tiến hóa toàn cục với tìm kiếm cục bộ như GA-BP [88]–[91], PSO-BP [92], [93], PSO-GA [94]–[98], OBL-DE [151], ESP-DE [123], DE-GD [153], [154].
  • Điều khiển dựa trên mô hình nơ rôn ngược: Phương pháp học sai số phản hồi FEL (Feedback Error Learning) của Kawato et al., điều khiển truyền thẳng kết hợp phản hồi Feedforward-Feedback dùng mạng nơ rôn [110]–[115], và các kỹ thuật chỉnh định thích nghi offline/online cho hệ MIMO [116]–[118].

Khoảng trống nghiên cứu luận án lựa chọn giải quyết

Mặc dù thuật toán DE và mạng nơ rôn đã được nghiên cứu nhiều, việc phối hợp thuật toán DE cải tiến với mạng MLP để nhận dạng mô hình động học ngược và tích hợp vào cấu trúc điều khiển bám thích nghi thời gian thực (PID-INN) cho các cơ cấu chấp hành phi tuyến phức tạp (SMA, Festo-PAM) vẫn chưa được giải quyết đồng bộ và hoàn chỉnh. Luận án tập trung giải quyết việc cân bằng giữa khả năng thăm dò toàn cục và khai thác cục bộ của DE, đồng thời xây dựng cơ chế tự chỉnh trực tuyến hệ số học của mạng nơ rôn ngược bằng logic mờ Sugeno.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và các mô hình sử dụng

  1. Mạng nơ rôn Perceptron đa lớp (MLP): Sử dụng các hàm kích hoạt tuyến tính $a(f)=f$, hàm Sigmoid đơn cực $a(f)=\frac{1}{1+e^{-\lambda f}}$, và hàm Sigmoid lưỡng cực $a(f)=\frac{2}{1+e^{-\lambda f}}-1$. Cấu trúc mạng gồm lớp vào, lớp ẩn với $S_1$ nơ rôn và lớp ra.
  2. Mô hình chuỗi thời gian phi tuyến NNARX: Kết hợp cấu trúc tự hồi quy phi tuyến có đầu vào ngoại sinh (NARX) với mạng MLP, biểu diễn mối quan hệ: $$y(k) = f(y(k-1), \dots, y(k-n_y), u(k-1), \dots, u(k-n_u))$$
  3. Mô hình nơ rôn ngược INN (Inverse NNARX): Sử dụng mạng nơ rôn để xấp xỉ hàm truyền ngược động học của hệ thống, nhận đầu vào là các giá trị quá khứ của tín hiệu vào-ra và giá trị đặt mong muốn ở bước tiếp theo để ước lượng tín hiệu điều khiển $u(k)$.
  4. Bộ điều khiển tích hợp PID-INN: Cấu trúc điều khiển gồm tín hiệu điều khiển tổng $u_{PID-INN}(k) = u_{pid}(k) + u_{inn}(k)$, trong đó $u_{pid}(k)$ xuất phát từ bộ điều khiển PID kinh điển ($K_p, K_i, K_d$) và $u_{inn}(k)$ xuất phát từ mô hình INN truyền thẳng.

Phương pháp nghiên cứu

Luận án kết hợp 3 phương pháp nghiên cứu chính:

  • Phân tích lý thuyết: Xây dựng cơ chế đột biến lai ghép, tích hợp thuật toán suy giảm độ dốc GD vào thuật toán DE, chứng minh tính hội tụ và phân tích độ ổn định của hệ thống vòng kín.
  • Mô phỏng máy tính: Lập trình và kiểm chứng các thuật toán trên môi trường phần mềm MATLAB 2013b, máy tính CPU Intel Core i3, RAM 2.00 GB, xung nhịp 2.40 GHz.
  • Thực nghiệm vật lý: Thu thập dữ liệu vào-ra thời gian thực, huấn luyện ngoại tuyến các mô hình ngược INN, và áp dụng chương trình điều khiển thích nghi lên các mô hình thực nghiệm phần cứng.
Thành phần nghiên cứu Mô tả chi tiết
Mô hình nhận dạng NNARX (kết hợp MLP và NARX), tối ưu trọng số bằng HDE/MDE
Mô hình điều khiển PID-INN (Truyền thẳng INN + Phản hồi PID + Chỉnh định thích nghi online)
Thuật toán học online Lan truyền ngược chuẩn (BP) và Lan truyền ngược thích nghi (aBP) dùng hệ mờ Sugeno
Dữ liệu thực nghiệm Dữ liệu đo điện áp - vị trí/góc quay/mực nước thực tế trên thiết bị phần cứng

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày tổng quan về lý thuyết nhận dạng và điều khiển hệ phi tuyến. Tác giả phân tích các phương pháp biểu diễn mô hình phi tuyến (Hammerstein, Wiener, Hammerstein-Wiener, NARMAX), nguyên lý hoạt động của mạng nơ rôn nhân tạo ANN (mạng truyền thẳng, mạng hồi quy, học có giám sát), và nhóm thuật toán tối ưu hóa tiến hóa EAs. Chương này nhấn mạnh các hạn chế cố hữu của thuật toán học dựa trên đạo hàm GD (dễ mắc kẹt tại cực trị địa phương khi hàm chi phí đa cực trị, không khả vi) và sự cần thiết của việc lai ghép EAs với ANN. Cuối chương, tác giả xác định 5 mục tiêu nghiên cứu trọng tâm của luận án.

Chương 2: Thuật toán tiến hóa vi sai

Chương 2 phân tích cấu trúc của thuật toán tiến hóa vi sai cơ bản (DE/rand/1/bin), các biến thể đột biến (DE/best/1, DE/rand-to-best/1, DE/best/2, DE/rand/2) kết hợp với lai ghép nhị thức (bin) hoặc hàm mũ (exp). Tác giả chỉ ra các yếu tố ảnh hưởng lớn đến chất lượng thuật toán gồm kích thước quần thể $NP$, hệ số đột biến $F \in [0, 1]$, và xác suất lai ghép $CR \in [0, 1]$. Trên cơ sở đó, tác giả đề xuất 2 thuật toán cải tiến:

  1. Thuật toán HDE: Tích hợp thuật toán GD trực tiếp vào giai đoạn sau lai ghép để tối ưu hóa véc-tơ thử nghiệm $U_{i,G}$ thành $U^*{i,G} = U{i,G} - \eta \nabla f(U_{i,G})$ trước khi thực hiện bước chọn lọc.
  2. Thuật toán MDE: Đổi mới cơ chế đột biến bằng cách kết hợp có điều kiện giữa toán tử rand/1 và best/1 thông qua một ngưỡng xác suất (threshold) nhằm cân bằng giữa khám phá toàn cục và khai thác cục bộ; kết hợp thuật toán GD sau bước chọn lọc bằng cách lấy cá thể tốt nhất làm điểm khởi tạo cho GD; đồng thời thay đổi ngẫu nhiên tham số $F \in [0.4, 1.0]$ và $CR \in [0.1, 0.9]$ sau mỗi thế hệ lặp.
Hàm Benchmark Miền tìm kiếm Công thức toán học Nghiệm tối ưu toàn cục
Sphere ($f_1$) $[-100, 100]^n$ $f_1(x) = \sum_{i=1}^n x_i^2$ $f_1(x^) = 0$ tại $x^ = (0,\dots,0)$
Griewank ($f_2$) $[-600, 600]^n$ $f_2(x) = 1 + \frac{1}{4000}\sum_{i=1}^n x_i^2 - \prod_{i=1}^n \cos\left(\frac{x_i}{\sqrt{i}}\right)$ $f_2(x^) = 0$ tại $x^ = (0,\dots,0)$
Ackley ($f_3$) $[-30, 30]^n$ $f_3(x) = -20\exp\left(-0.2\sqrt{\frac{1}{n}\sum_{i=1}^n x_i^2}\right) - \exp\left(\frac{1}{n}\sum_{i=1}^n \cos(2\pi x_i)\right) + 20 + e$ $f_3(x^) = 0$ tại $x^ = (0,\dots,0)$
Rastrigin ($f_4$) $[-5.12, 5.12]^n$ $f_4(x) = 10n + \sum_{i=1}^n \left(x_i^2 - 10\cos(2\pi x_i)\right)$ $f_4(x^) = 0$ tại $x^ = (0,\dots,0)$

Kết quả kiểm chứng trên 4 hàm Benchmark với số chiều $D=30$ chứng minh MDE đạt độ chính xác cao nhất và tốc độ hội tụ nhanh hơn so với DE, PSO và HDE.

Chương 3: Thuật toán tiến hóa vi sai huấn luyện mạng nơ rôn MLP ứng dụng nhận dạng hệ phi tuyến

Chương 3 áp dụng DE, HDE và MDE để tối ưu hóa véc-tơ trọng số $\theta = [v_{ji}, w_{kj}]$ của mạng MLP. Mô hình nhận dạng cấu trúc NNARX được thiết lập bằng cách ghép nối các tín hiệu trễ vào-ra. Quy trình nhận dạng gồm 4 bước: thu thập dữ liệu huấn luyện/kiểm chứng, xác định cấu trúc mạng (số nơ rôn ẩn $S_1$, bậc trễ $n_y, n_u$), tối ưu trọng số ngoại tuyến bằng MDE/HDE, và đánh giá sai số mô hình (chỉ số RMSE).

Tác giả tiến hành mô phỏng nhận dạng trên 4 hệ phi tuyến:

  • Hệ phi tuyến A (SISO): Mô hình đạt độ chính xác cao, khảo sát ảnh hưởng của $S_1$ và $NP$ đến tốc độ hội tụ;
  • Hệ phi tuyến B (phương trình 3.12): So sánh chất lượng nhận dạng giữa MDE-NNARX và ODE-NN;
  • Hệ phi tuyến C (phương trình 3.16): Đánh giá khả năng dự báo một bước và mô phỏng tự do;
  • Hệ phi tuyến D (phương trình 3.19 - MIMO): Kiểm chứng khả năng nhận dạng hệ thống nhiều ngõ vào, nhiều ngõ ra với ma trận hồi quy ghép kênh. Kết quả chỉ ra MDE-NNARX luôn cho sai số nhận dạng nhỏ nhất và đường đáp ứng bám sát dữ liệu mẫu.

Chương 4: Điều khiển dựa vào mô hình nơ rôn ngược

Chương 4 thiết kế bộ điều khiển thích nghi tích hợp PID-INN dựa trên nguyên lý Feedback Error Learning (FEL). Các trọng số ban đầu của mô hình ngược INN được tối ưu hóa offline bằng thuật toán MDE từ dữ liệu vào-ra của đối tượng. Trong quá trình vận hành vòng kín, tín hiệu điều khiển tổng hợp là $u_{PID-INN}(k) = u_{inn}(k) + u_{pid}(k)$. Sai số điều khiển do khâu PID tạo ra ($u_{pid}$) được sử dụng làm tín hiệu sai số để cập nhật trực tuyến các trọng số mạng INN theo thuật toán lan truyền ngược BP nhằm bù trừ các sai lệch mô hình và nhiễu động.

Tác giả mô phỏng kiểm chứng bộ điều khiển PID-INN trên 3 hệ thống:

  1. Tay máy 1 bậc tự do (1-DOF): Thử nghiệm với tín hiệu đặt dạng hàm nấc, hàm sin; khảo sát trường hợp hệ thống bị thay đổi tải và chịu tác động của xung nhiễu ngoài.
  2. Hệ phi tuyến MIMO (phương trình 4.13): Đáp ứng đồng thời 2 ngõ ra với tín hiệu đặt đa tần số.
  3. Hệ thống bồn nước liên kết (Coupled tank): Khảo sát điều khiển mực nước ở các điểm làm việc khác nhau và thử nghiệm khi thay đổi đột ngột tiết diện các van xả liên kết $v_{o2}, v_{o4}$. Kết quả mô phỏng khẳng định PID-INN triệt tiêu sai số xác lập nhanh hơn, không có độ vọt lố lớn và thích nghi tốt hơn so với PID đơn lẻ.

Chương 5: Kiểm chứng thực nghiệm

Chương 5 triển khai cài đặt phần cứng và kiểm chứng thuật toán điều khiển PID-INN trên 3 mô hình thực nghiệm:

  1. Điều khiển vị trí hệ truyền động dùng hợp kim nhớ hình SMA:

    • Đối tượng: Dây hợp kim nhớ hình Nitinol SMA biến dạng co giãn theo nhiệt độ cấp bởi dòng điện.
    • Nhận dạng: Thu thập tập dữ liệu vào-ra thực nghiệm, tối ưu trọng số mô hình MDE-INN.
    • Kết quả: Bộ điều khiển PID-INN điều khiển vị trí bám chính xác theo các quỹ đạo đặt dạng hàm sin, sóng tam giác và hình thang. Khi tăng tải trọng cơ học đột ngột hoặc có luồng gió nhiễu ngoài tác động, thuật toán cập nhật trọng số INN online giúp hệ thống nhanh chóng tái lập trạng thái ổn định.

  2. Điều khiển mực nước hệ thống bồn nước liên kết thực nghiệm:

    • Đối tượng: Hệ bồn nước MIMO có tương tác thủy lực phi tuyến giữa các ngăn bồn.
    • Kết quả: PID-INN duy trì mức nước ổn định theo các giá trị đặt thay đổi bậc thang, khắc phục tốt sự cố mở đột ngột các van xả đáy ở bồn 1 và bồn 3.

  3. Điều khiển góc quay hệ tay máy song song 2-DOF dùng cơ nhân tạo khí nén Festo-PAM:

    • Đối tượng: Cơ cấu chấp hành sợi cơ nhân tạo Festo MAS-20 có tính chất đàn hồi phi tuyến và trễ áp suất lớn.
    • Nâng cấp thuật toán: Áp dụng thuật toán lan truyền ngược thích nghi (aBP), sử dụng hệ mờ Sugeno với 2 đầu vào sai số để tự động điều chỉnh hệ số học $\lambda$ trực tuyến.
    • Kết quả: Kiểm chứng đáp ứng góc quay với tín hiệu sin ($0.5\text{ Hz}, 1.0\text{ Hz}$) và tam giác ($0.5\text{ Hz}, 1.0\text{ Hz}$) trong cả hai trường hợp có tải và không tải. Bảng so sánh chất lượng điều khiển cho thấy sai số bám trung bình và độ lệch cực đại của PID-INN kết hợp aBP thấp hơn rõ rệt so với bộ điều khiển PID truyền thống.

Chương 6: Kết luận và kiến nghị

Chương 6 tổng kết các kết quả đạt được về mặt lý thuyết thuật toán tối ưu (HDE, MDE), kỹ thuật nhận dạng nơ rôn phi tuyến (NNARX), và cấu trúc điều khiển bám thích nghi (PID-INN, aBP mờ Sugeno). Tác giả nêu các đề xuất nghiên cứu tiếp theo để mở rộng phạm vi ứng dụng của đề tài.

Kết quả và những đóng góp mới

Đóng góp mới về mặt lý luận khoa học

  1. Phát triển thuật toán HDE: Đề xuất cơ chế lai ghép thuật toán suy giảm độ dốc GD tại bước lai ghép của thuật toán DE, giúp tăng cường khả năng khai thác cực trị địa phương trên cơ sở không gian tìm kiếm toàn cục của DE.
  2. Phát triển thuật toán MDE: Đề xuất giải pháp đột biến kết hợp ngẫu nhiên có điều kiện giữa hai toán tử rand/1 và best/1, kết hợp bước tối ưu cục bộ GD sau chọn lọc và biến thiên ngẫu nhiên các tham số điều khiển $F \in [0.4, 1.0]$, $CR \in [0.1, 0.9]$. MDE giải quyết hiệu quả hiện tượng trì trệ và cải thiện tốc độ hội tụ so với DE, PSO và HDE.
  3. Cải tiến mô hình nhận dạng NNARX: Kết hợp mạng MLP và mô hình NARX được tối ưu hóa trọng số bằng HDE/MDE, nâng cao độ chính xác xấp xỉ đặc tính động học của hệ phi tuyến phức tạp SISO và MIMO.
  4. Đề xuất cấu trúc điều khiển thích nghi PID-INN: Tích hợp mô hình dự báo ngược INN (huấn luyện offline bởi MDE) với bộ điều khiển phản hồi PID và cơ chế tự chỉnh trọng số online bằng thuật toán lan truyền ngược.
  5. Cải tiến thuật toán lan truyền ngược thích nghi aBP: Xây dựng hệ luật mờ Sugeno để tự động chỉnh định hệ số học $\lambda$ trực tuyến dựa trên sai số hệ thống, khắc phục hiện tượng phân kỳ hoặc hội tụ chậm khi $\lambda$ là hằng số cố định.

Đóng góp về mặt thực tiễn

  • Ứng dụng mô hình HDE-NNARX và MDE-NNARX giải quyết thành công bài toán động học thuận, động học ngược và dự báo đặc tính động lực học của mô hình tay máy 5 bậc tự do dựa hoàn toàn trên dữ liệu thực nghiệm điện áp - góc quay.
  • Cài đặt, nhận dạng và điều khiển thành công thiết bị truyền động sử dụng hợp kim nhớ hình Nitinol SMA.
  • Ứng dụng và kiểm chứng thành công bộ điều khiển PID-INN trên mô hình tay máy song song 2-DOF sử dụng cơ nhân tạo khí nén Festo-PAM MAS-20 với hệ mờ Sugeno tự chỉnh hệ số học $\lambda$.
  • Xây dựng hoàn chỉnh quy trình nhận dạng và điều khiển thích nghi thời gian thực áp dụng trực tiếp cho các thiết bị phi tuyến công nghiệp mà không cần phụ thuộc vào mô hình toán học giải tích của đối tượng.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

  • Thuật toán lai HDE có thời gian tính toán lớn hơn so với thuật toán DE cơ bản do phải tính toán thêm gradient ở bước lai ghép.
  • Phạm vi nghiên cứu bị giới hạn trong lớp các đối tượng phi tuyến SISO và MIMO có khả năng làm việc ổn định dưới sự điều khiển của bộ điều khiển PID kinh điển.
  • Mô hình nhận dạng INN đòi hỏi tập dữ liệu thực nghiệm vào-ra ban đầu phải bao quát đầy đủ không gian trạng thái hoạt động của đối tượng.

Hướng nghiên cứu tiếp theo

  • Tiếp tục nghiên cứu giảm thiểu độ phức tạp tính toán của thuật toán MDE để áp dụng tối ưu hóa trực tuyến thời gian thực ở tần số lấy mẫu cao.
  • Mở rộng phạm vi áp dụng của cấu trúc PID-INN cho các lớp đối tượng bất định có tính phi tuyến cao hơn, các hệ thống có cấu trúc thay đổi hoặc các hệ không ổn định tự thân.
  • Triển khai thuật toán điều khiển PID-INN trên các hệ thống robot công nghiệp phức tạp, robot y tế và thiết bị trợ lực phục hồi chức năng trong thực tế.

Giá trị tham khảo

Luận án cung cấp tài liệu tham khảo chuyên sâu cho các đối tượng sau:

  • Nghiên cứu sinh và học viên cao học ngành Kỹ thuật điều khiển & Tự động hóa: Tham khảo phương pháp xây dựng thuật toán tiến hóa vi sai cải tiến (Chương 2) và quy trình thiết lập mô hình nhận dạng nơ rôn NNARX (Chương 3).
  • Giảng viên và nhà nghiên cứu trong lĩnh vực Tính toán mềm (Soft Computing): Sử dụng các mã giả (pseudo-code) của HDE, MDE, và cấu trúc hệ mờ Sugeno tự chỉnh hệ số học aBP để phục vụ giảng dạy và phát triển các mô hình lai ghép thông minh.
  • Kỹ sư phát triển hệ thống điều khiển ứng dụng: Tham khảo sơ đồ cài đặt phần cứng, quy trình thu thập dữ liệu và kỹ thuật điều khiển thời gian thực trên các cơ cấu chấp hành phi tuyến như hợp kim nhớ hình SMA và cơ nhân tạo khí nén Festo-PAM (Chương 5 và Phụ lục B).

Câu hỏi thường gặp

1. Điểm khác biệt cốt lõi giữa thuật toán MDE và thuật toán DE cơ bản là gì?
MDE cải tiến 3 yếu tố: (i) Thay vì chỉ dùng một toán tử đột biến cố định (rand/1), MDE kết hợp ngẫu nhiên giữa rand/1 (khám phá toàn cục) và best/1 (khai thác cục bộ) dựa trên một ngưỡng xác suất; (ii) Tích hợp thuật toán suy giảm độ dốc GD sau bước chọn lọc để tinh chỉnh cá thể tốt nhất; (iii) Biến thiên ngẫu nhiên hai tham số điều khiển $F \in [0.4, 1.0]$ và $CR \in [0.1, 0.9]$ sau mỗi thế hệ lặp.

2. Cấu trúc mô hình dự báo NNARX trong luận án được xây dựng như thế nào?
NNARX kết hợp mạng nơ rôn truyền thẳng nhiều lớp MLP với cấu trúc mô hình hồi quy phi tuyến có đầu vào ngoại sinh (NARX). Véc-tơ đầu vào của mạng gồm các giá trị trễ của ngõ ra $y(k-1), \dots, y(k-n_y)$ và ngõ vào $u(k-1), \dots, u(k-n_u)$. Toàn bộ trọng số liên kết của mạng MLP được tối ưu hóa toàn cục bằng thuật toán HDE hoặc MDE.

3. Nguyên lý hoạt động của bộ điều khiển tích hợp PID-INN là gì?
Bộ điều khiển PID-INN kết hợp điều khiển truyền thẳng (feedforward) và hồi tiếp (feedback). Khâu truyền thẳng sử dụng mô hình nơ rôn ngược INN (đã được tối ưu hóa offline bởi MDE) để sinh ra tín hiệu điều khiển chính $u_{inn}$. Khâu PID phản hồi tạo ra tín hiệu $u_{pid}$ để bù trừ sai số xác lập và đồng thời đóng vai trò là tín hiệu sai số để cập nhật trực tuyến các trọng số của mạng INN thông qua thuật toán BP hoặc aBP.

4. Vì sao tác giả sử dụng hệ mờ Sugeno trong thuật toán aBP ở Chương 5?
Trong thuật toán lan truyền ngược BP thông thường, hệ số học $\lambda$ là một hằng số cố định, dễ dẫn đến hiện tượng hội tụ chậm hoặc mất ổn định khi trạng thái hệ thống thay đổi nhanh. Hệ mờ Sugeno được thiết kế để tự động điều chỉnh giá trị $\lambda$ trực tuyến dựa trên độ lớn của sai số và tốc độ biến thiên sai số, giúp nâng cao khả năng thích nghi của bộ điều khiển trên cơ cấu tay máy Festo-PAM 2-DOF.

5. Các hệ thống thực nghiệm nào đã được sử dụng để kiểm chứng bộ điều khiển đề xuất?
Luận án kiểm chứng thực nghiệm trên 3 hệ thống phần cứng: (1) Cơ cấu truyền động vị trí dùng hợp kim nhớ hình Nitinol SMA; (2) Hệ thống điều khiển mức chất lỏng bồn nước liên kết; (3) Hệ thống điều khiển góc quay tay máy song song 2-DOF dẫn động bằng sợi cơ nhân tạo khí nén Festo MAS-20.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Ngọc Sơn đã giải quyết trọn vẹn bài toán nhận dạng và điều khiển thích nghi cho các hệ phi tuyến phức tạp bằng cách kết hợp mạng nơ rôn nhân tạo với các thuật toán tiến hóa vi sai cải tiến HDE và MDE. Việc xây dựng thành công mô hình nhận dạng NNARX, bộ điều khiển tích hợp PID-INN và cơ chế tự chỉnh hệ số học bằng logic mờ Sugeno đã khắc phục được nhược điểm rơi vào cực trị cục bộ của các thuật toán truyền thống. Toàn bộ các đề xuất lý thuyết đều được chứng minh qua mô phỏng toán học và kiểm chứng thực nghiệm trên các hệ thống vật lý thực tế như hợp kim nhớ hình SMA, hệ bồn nước liên kết và tay máy cơ khí nén Festo-PAM 2-DOF, khẳng định tính đúng đắn và khả năng ứng dụng thực tiễn của công trình nghiên cứu.