Tổng quan luận án
Luận án tiến sĩ kỹ thuật với đề tài "Nghiên cứu ứng dụng lý thuyết điều khiển hiện đại xây dựng mô hình trong điều khiển dự báo phi tuyến" được thực hiện bởi nghiên cứu sinh Lê Thị Huyền Linh, dưới sự hướng dẫn khoa học của PGS. Lại Khắc Lãi, chuyên ngành Kỹ thuật điều khiển và Tự động hóa tại Trường Đại học Kỹ thuật Công nghiệp – Đại học Thái Nguyên (bảo vệ năm 2015).
1. Tính cấp thiết và khoảng trống nghiên cứu
Trong các ngành công nghiệp hiện đại như lọc hóa dầu, công nghiệp hóa chất, chế biến thực phẩm, sản xuất giấy, yêu cầu về công nghệ, chất lượng sản phẩm và tối ưu hóa vận hành đòi hỏi các giải pháp điều khiển tự động phải xử lý được các đặc tính phức tạp của đối tượng: tính phi tuyến cao, tồn tại thời gian trễ (dead time), động học biến thiên chậm và chịu tác động của các ràng buộc vật lý cũng như nhiễu môi trường.
Điều khiển dự báo dựa trên mô hình (Model Predictive Control - MPC) là phương pháp kết hợp giữa lý thuyết điều khiển tối ưu và nhận dạng hệ thống, sử dụng mô hình toán học của đối tượng để dự báo các trạng thái đầu ra trong tương lai và xác định chuỗi tác động điều khiển tối ưu. Mặc dù MPC tuyến tính đã được phát triển hoàn thiện và áp dụng thương mại rộng rãi, việc mở rộng MPC cho các đối tượng phi tuyến (Nonlinear MPC - NMPC) vẫn gặp phải những thách thức kỹ thuật lớn:
- Quá trình tính toán đòi hỏi phải giải bài toán tối ưu hóa phi tuyến lặp trực tuyến (online nonlinear optimization) tại mỗi chu kỳ trích mẫu. Bài toán này thường không lồi, dễ rơi vào cực trị địa phương, tốn nhiều thời gian tính toán và có thể không đảm bảo tính ổn định thời gian thực đối với các đối tượng có đáp ứng nhanh.
- Khi đối tượng chịu tác động đồng thời của thời gian trễ và các thành phần phi tuyến bất định (nhiễu nội sinh, nhiễu phụ thuộc trạng thái không đo được và không thể mô hình hóa chính xác bằng các định luật vật lý), độ phức tạp tính toán tăng lên đáng kể.
- Hầu hết các công trình nghiên cứu về điều khiển dự báo bền vững cho hệ phi tuyến trước đó mới chỉ khảo sát trên các mô hình không chứa trễ hoặc bỏ qua các thành phần bất định phụ thuộc trạng thái.
Để giải quyết khoảng trống này, luận án tập trung xây dựng giải pháp nhận dạng trực tuyến các thành phần nhiễu bất định bằng mạng nơron hàm cơ sở xuyên tâm (Radial Basis Functions - RBF), sau đó thiết kế kênh bù nhiễu để chuyển đổi hệ phi tuyến có trễ về dạng tuyến tính có trễ xác định. Trên cơ sở đó, luận án tổng hợp bộ điều khiển dự báo theo mô hình nội (Internal Model Predictive Control - IMPC) nhằm đạt được nghiệm giải tích tường minh, giảm tải tính toán trực tuyến và đảm bảo tính thích nghi, kháng nhiễu cho hệ thống.
2. Mục tiêu nghiên cứu
Mục tiêu nghiên cứu được xác định gồm hai nội dung chính:
- Mục tiêu 1: Xây dựng phương pháp nhận dạng mô hình trực tuyến cho một lớp đối tượng phi tuyến có trễ trong hệ thống điều khiển dự báo theo mô hình trên cơ sở mạng nơron RBF và thiết lập cơ chế bù nhiễu.
- Mục tiêu 2: Xây dựng cấu trúc điều khiển dự báo theo mô hình nội (IMPC), kết hợp bộ nhận dạng và kênh bù nhiễu; kiểm chứng và áp dụng các kết quả lý thuyết thu được vào một đối tượng cụ thể trong công nghiệp là bình phản ứng khuấy trộn liên tục (Continuous Stirred Tank Reactor - CSTR).
3. Đối tượng và phạm vi nghiên cứu
- Đối tượng nghiên cứu: Nhận dạng và điều khiển một lớp đối tượng phi tuyến, có trễ trong kênh điều khiển, thuộc lớp hệ dừng (time-invariant) thường gặp trong công nghiệp; mô hình mạng nơron RBF nhận dạng trực tuyến và cấu trúc điều khiển dự báo mô hình nội IMPC.
- Phạm vi nghiên cứu:
- Về mặt lý thuyết: Luận án tập trung vào lớp đối tượng phi tuyến có trễ ở kênh tín hiệu điều khiển vào, chịu tác động của nhiễu bất định phụ thuộc trạng thái, không xét các điều kiện ràng buộc biên đối với vector trạng thái và vector tín hiệu điều khiển trong quá trình giải bài toán tối ưu.
- Về mặt thực nghiệm/mô phỏng: Kiểm chứng thuật toán bằng mô phỏng số trên mô hình toán học của bình phản ứng khuấy trộn liên tục CSTR ở hai chế độ: một đầu vào - một đầu ra (SISO) và hai đầu vào - hai đầu ra (MIMO) với các kịch bản không trễ và có trễ thời gian ($5\text{s}$, $30\text{s}$).
Tổng quan tài liệu và vị trí của luận án
1. Các hướng nghiên cứu trước đây được điểm lại
Luận án hệ thống hóa các mốc phát triển và các thuật toán điều khiển dự báo tuyến tính cũng như phi tuyến trong y văn:
- Lịch sử hình thành MPC: Xuất hiện từ cuối những năm 1970 dưới tên gọi điều khiển dịch dần về tương lai (Receding Horizon Control), phát triển mạnh mẽ qua các nghiên cứu của Richalet (1978), Cutler và Ramaker (1978).
- Các thuật toán MPC tuyến tính kinh điển:
- Dynamic Matrix Control (DMC): Do Cutler và Ramaker phát triển năm 1978 tại hãng dầu mỏ Shell, sử dụng mô hình đáp ứng bước nhảy (Finite Impulse Response - FIR), tối thiểu hóa sai số bình phương giữa đầu ra và giá trị đặt. DMC phù hợp cho các hệ tuyến tính ổn định nhưng chất lượng điều khiển chưa cao đối với đối tượng đa biến.
- Model Algorithmic Control (MAC): Do Richalet đưa ra năm 1978 (ban đầu gọi là Model Predictive Heuristic Control), sử dụng mô hình đáp ứng xung, nâng cao tính bền vững đối với sai lệch mô hình và áp dụng cho các hệ hở ổn định.
- Predictive Functional Control (PFC): Đề xuất năm 1968, ứng dụng thực tế từ những năm 1970, sử dụng mô hình không gian trạng thái.
- Extended Prediction Self Adaptive Control (EPSAC): Xuất hiện từ năm 1953, sử dụng mô hình hàm truyền đạt rời rạc và khâu dự báo cận tối ưu thay thế việc giải phương trình Diophantine.
- Extended Horizon Adaptive Control (EHAC): Do Ydstie B. E. đưa ra năm 1984, mở rộng khoảng thời gian dự báo để đầu ra bám theo giá trị mong muốn thay vì dùng khoảng trễ cố định.
- Generalized Predictive Control (GPC): Do Clarke D. phát triển, kết hợp mô hình tự hồi quy trượt có biến ngoại sinh (ARIMAX).
- Ứng dụng thương mại: Hơn 3000 ứng dụng thương mại của MPC đã được triển khai trên thế giới trong các ngành lọc hóa dầu, công nghệ thực phẩm, công nghiệp ô tô, công nghiệp không gian, sản xuất bột giấy và giấy.
- Tổng quan về NMPC và hệ có trễ: Nghiên cứu tổng quan của Mayne D. và các cộng sự (2000) đã chỉ ra mức độ phức tạp gia tăng đặc biệt ("extra level of complexity") của bài toán MPC phi tuyến bền vững. Hầu hết các công bố thời điểm đó chỉ giải quyết bài toán cho hệ không trễ và không chứa các ràng buộc trạng thái hoặc tín hiệu điều khiển.
2. Bảng tổng hợp các kỹ thuật MPC thương mại và học thuật trong văn bản
| Tên công ty / Hãng | Tên thuật toán | Dạng mô hình sử dụng | Phương pháp ước lượng / tối ưu | Nhiễu bất định |
|---|---|---|---|---|
| DMC Corp. | DMC | FIR (Đáp ứng xung hữu hạn) | Bình phương cực tiểu (LS) | Không |
| Setpoint Inc. | SMC-Idcom | FIR, ARX | LS, Gradient giảm dần (GD) | Có |
| Honeywell IAC | RMPCT | FIR, ARMAX | Bình phương cực tiểu (LS) | Có |
| Adersa | HIECON, PFC | State-space (SS), Transfer Function (TF) | Quy hoạch toàn phương (QP) | Có |
| Treiber Controls | OPC | FIR, ARMAX | Bình phương cực tiểu (LS) | Có |
3. Khoảng trống luận án lựa chọn giải quyết
Các công trình trước đây thường giải quyết bài toán điều khiển cho hệ phi tuyến bằng cách xấp xỉ tuyến tính hóa quanh điểm làm việc hoặc chấp nhận giải bài toán tối ưu phi tuyến lặp thời gian thực với chi phí tính toán rất lớn. Luận án lựa chọn hướng tiếp cận mới: kết hợp mô hình toán học song song với mạng nơron RBF để nhận dạng trực tuyến các thành phần phi tuyến bất định phụ thuộc trạng thái $F(X, U)$, thiết kế bộ điều khiển bù nhiễu $u_b(t)$ nhằm triệt tiêu hoàn toàn tác động của các thành phần này. Khi đó, đối tượng phi tuyến phức tạp được đưa về hệ tuyến tính có trễ, cho phép áp dụng thuật toán điều khiển dự báo mô hình nội (IMPC) với lời giải giải tích tường minh, loại bỏ hoàn toàn nhu cầu giải tối ưu hóa phi tuyến lặp trực tuyến.
Cơ sở lý thuyết và phương pháp nghiên cứu
1. Lý thuyết và khung phân tích
Luận án xây dựng trên các nền tảng lý thuyết điều khiển hiện đại:
- Mô hình không gian trạng thái của hệ phi tuyến có trễ: Đối tượng nghiên cứu được mô tả dưới dạng phương trình vi phân trạng thái có trễ ở kênh điều khiển: $$\dot{X}(t) = A X(t) + B U(t - \tau) + D F(X, U)$$ Trong đó: $X(t) \in \mathbb{R}^n$ là vector trạng thái; $U(t) \in \mathbb{R}^m$ là vector tín hiệu điều khiển; $\tau$ là thời gian trễ; $A, B, D$ là các ma trận thông số đặc trưng của đối tượng; $F(X, U)$ là vector các hàm phi tuyến bất định (nhiễu nội sinh phụ thuộc trạng thái, không đo được trực tiếp).
- Mạng nơron hàm cơ sở xuyên tâm (RBF): Mạng RBF gồm 3 lớp (lớp vào, lớp ẩn với các hàm kích hoạt phi tuyến Gaussian dạng đối xứng xuyên tâm, và lớp ra tuyến tính). Mạng RBF được sử dụng để xấp xỉ hàm phi tuyến $f_i(X)$ theo công thức: $$\hat{f}i(X) = \hat{W}i^T \Phi_i(X) = \sum{j=1}^{N} \hat{w}{ij} \phi_{ij}(X)$$ với $\phi_{ij}(X) = \exp\left(-\frac{|X - c_{ij}|^2}{2 s_{ij}^2}\right)$, trong đó $c_{ij}$ là tâm và $s_{ij}$ là độ trải rộng của hàm cơ sở.
- Lý thuyết ổn định Lyapunov: Sử dụng các hàm mục tiêu dạng toàn phương Lyapunov để thiết lập luật cập nhật trọng số thích nghi trực tuyến $\dot{\hat{W}}$, đảm bảo sai số nhận dạng và sai số trạng thái tiệm cận về lân cận gốc tọa độ.
- Điều kiện bù nhiễu (Matching Condition): Để có thể bù trừ hoàn toàn nhiễu bất định bằng tín hiệu điều khiển, điều kiện ứng đối đại số giữa không gian hạng của ma trận phân bố nhiễu $D$ và ma trận điều khiển $B$ phải thỏa mãn: $\Gamma(D) \subseteq \Gamma(B)$.
- Cấu trúc điều khiển dự báo mô hình nội (IMPC): Sử dụng mô hình nội để dự báo đáp ứng đầu ra trong khoảng thời gian dự báo $T_P$, kết hợp hàm mục tiêu tích phân toàn phương liên tục: $$J = \int_{t}^{t + T_P} \left[ X^T(\sigma) Q X(\sigma) + U^T(\sigma) R U(\sigma) \right] d\sigma \to \min$$ với $Q$ và $R$ là các ma trận trọng số đối xứng xác định dương.
2. Phương pháp nghiên cứu
Luận án áp dụng phương pháp nghiên cứu định lượng kết hợp giải tích toán học và mô phỏng số:
- Phương pháp giải tích - suy diễn toán học: Thiết lập mô hình toán học giải tích, xây dựng các thuật toán nhận dạng thích nghi, phát biểu và chứng minh bằng toán học chặt chẽ 2 định lý về tính hội tụ của quá trình nhận dạng nhiễu (Định lý 2.1 cho hệ 1 kênh nhiễu và Định lý 2.2 cho hệ nhiều kênh nhiễu).
- Phương pháp mô phỏng số trên máy tính: Sử dụng phần mềm chuyên ngành (MATLAB/Simulink) để xây dựng cấu trúc mô phỏng khối cho hệ thống, kiểm chứng thuật toán nhận dạng RBF và kiểm tra chất lượng điều khiển của bộ điều khiển IMPC kết hợp bù nhiễu trên đối tượng CSTR.
- Phương pháp so sánh đối chứng: So sánh đáp ứng quá độ, độ quá điều chỉnh, thời gian quá độ và sai số xác lập giữa cấu trúc IMPC đề xuất với bộ điều khiển PID kinh điển trong các điều kiện có trễ và không trễ.
3. Nguồn tư liệu và dữ liệu
- Cơ sở dữ liệu thông số động học của bình phản ứng khuấy trộn liên tục (CSTR) với các biến trạng thái: mức dung dịch trong bình ($h$), nồng độ dung dịch ($c_b$), lưu lượng dung dịch đầu vào ($mv_1, mv_2, mv_3$), hằng số thời gian và độ mở các van điện ($T_1, T_2, T_3, K$).
- Dữ liệu mô phỏng thu thập từ các kịch bản đặt tín hiệu nấc (step response) và tín hiệu nhiễu điều hòa dạng hàm sin cộng thêm vào kênh trạng thái.
Nội dung chính theo từng chương
Chương 1: Tổng quan vấn đề nghiên cứu
Chương này tập trung phân tích tổng quan lý thuyết và thực tiễn của phương pháp điều khiển dự báo theo mô hình (MPC):
- Trình bày nguyên lý cơ bản của MPC: tại mỗi thời điểm trích mẫu $t_k = k \cdot DT$, trạng thái hiện tại của hệ thống được đo hoặc ước lượng; mô hình dự báo tính toán đáp ứng tương lai trong tầm dự báo $T_P$; bài toán tối ưu được giải để tìm chuỗi điều khiển tương lai tối ưu; chỉ phần tử điều khiển đầu tiên $u(t_k)$ được đưa vào tác động lên đối tượng. Quá trình này lặp lại ở chu kỳ tiếp theo $t_{k+1} = t_k + DT$.
- Phân loại các phương pháp xây dựng mô hình dự báo và giải bài toán tối ưu trong MPC:
| Tiêu chí phân loại | Đối tượng tuyến tính | Đối tượng phi tuyến |
|---|---|---|
| Xây dựng mô hình dự báo | Không gian trạng thái, hàm truyền đạt, đáp ứng bước nhảy (FIR), đáp ứng xung, mô hình hồi quy (ARX, ARMAX) | Mô hình Volterra, Wiener, Hammerstein, mô hình mờ, mô hình mạng nơron, mô hình hồi quy phi tuyến |
| Thu thập thông tin trạng thái | Sử dụng đầu ra trực tiếp, vector trạng thái hệ thống, nhiễu đo được | Ước lượng/dự báo trạng thái, nhận dạng tham số trực tuyến |
| Giải bài toán tối ưu | Quy hoạch toàn phương (QP), quy hoạch tuyến tính giá trị tuyệt đối | Tối ưu hóa phi tuyến (NAV), phương pháp gradient, tối ưu phi lồi |
| Xử lý sai lệch mô hình | Thích nghi đầu ra, bộ lọc Kalman, Kalman mở rộng (EKF) | Thích nghi cấu trúc/trọng số mạng nơron, ước lượng nhiễu |
- Đánh giá chi tiết các thuật toán MPC tuyến tính (DMC, MAC, PFC, EPSAC, EHAC, GPC) và phân tích các thách thức của MPC phi tuyến: sự tồn tại của các thành phần phi tuyến bất định $D F(X, U)$ kết hợp với thời gian trễ $\tau$ làm tăng độ phức tạp tính toán lên gấp bội, dễ dẫn đến mất ổn định nếu bài toán tối ưu không hội tụ trong chu kỳ trích mẫu.
- Xác định hướng tiếp cận của luận án: thiết kế cấu trúc nhận dạng trực tuyến các thành phần bất định bằng mạng RBF, kết hợp bù nhiễu để quy đổi hệ phi tuyến có trễ về hệ tuyến tính có trễ, sau đó áp dụng cấu trúc IMPC.
Chương 2: Nhận dạng nhiễu và bù nhiễu cho lớp hệ phi tuyến có trễ
Chương 2 trình bày các đóng góp lý thuyết cốt lõi về thuật toán nhận dạng và cơ chế bù trừ nhiễu:
- Cấu trúc mạng RBF: Sử dụng mạng RBF có cấu trúc đơn giản, khả năng xấp xỉ vạn năng đối với các hàm phi tuyến liên tục trên tập compact, tốc độ học nhanh nhờ thuật toán cập nhật trọng số trực tiếp.
- Xây dựng mô hình song song và thuật toán nhận dạng:
- Mô hình nhận dạng song song có dạng: $$\dot{\hat{X}}(t) = A \hat{X}(t) + B U(t - \tau) + D \hat{F}(X, U) + K_e e(t)$$ với $e(t) = X(t) - \hat{X}(t)$ là sai số trạng thái giữa đối tượng thực và mô hình nhận dạng.
- Định lý 2.1 (Hệ có 1 thành phần nhiễu): Luận án phát biểu và chứng minh điều kiện đủ để sai số nhận dạng nhiễu và sai số trạng thái hội tụ về 0 khi hệ thống chỉ có một thành phần nhiễu tác động qua một kênh điều khiển. Luật cập nhật trọng số thích nghi của mạng RBF được tổng hợp: $$\dot{\hat{W}}(t) = \Gamma \Phi(X) e^T(t) P D$$ với $P$ là ma trận đối xứng xác định dương thỏa mãn phương trình Lyapunov $A^T P + P A = -Q$.
- Định lý 2.2 (Hệ có nhiều thành phần nhiễu): Mở rộng định lý cho hệ MIMO có $m$ thành phần nhiễu và $m$ kênh điều khiển tác động đồng thời. Chứng minh tính ổn định tiệm cận của toàn bộ hệ thống kín và sự hội tụ của các ma trận trọng số $\hat{W}_i$.
- Tổng hợp tín hiệu bù nhiễu:
- Tín hiệu điều khiển tổng được phân tách thành hai thành phần: $U(t) = U_{dk}(t) + U_b(t)$, trong đó $U_{dk}(t)$ là tín hiệu điều khiển dự báo tối ưu, $U_b(t)$ là tín hiệu điều khiển bù nhiễu.
- Khi điều kiện ứng đối $\Gamma(D) \subseteq \Gamma(B)$ thỏa mãn, tín hiệu bù nhiễu được tính toán trực tiếp từ đầu ra của mạng RBF: $$U_b(t) = -B^+ D \hat{F}(X, U)$$ (với $B^+$ là ma trận giả nghịch đảo của $B$), giúp triệt tiêu hoàn toàn thành phần nhiễu $D F(X, U)$ khỏi phương trình vi phân trạng thái của hệ thống.
Chương 3: Tổng hợp bộ điều khiển dự báo dựa theo mô hình nội cho đối tượng có trễ và xây dựng hệ thống điều khiển cho đối tượng CSTR
Chương này thực hiện tổng hợp bộ điều khiển và kiểm chứng trên mô hình công nghiệp:
- Tổng hợp luật điều khiển IMPC: Sau khi bù nhiễu, đối tượng trở thành hệ tuyến tính có trễ thuần túy. Luận án thiết lập hàm mục tiêu tích phân toàn phương và tìm ra luật điều khiển tối ưu giải tích $U_{dk}(t)$, không yêu cầu thuật toán quy hoạch phi tuyến lặp.
- Xây dựng mô hình toán học cho đối tượng CSTR:
- Thiết lập hệ phương trình vi phân phi tuyến mô tả động học biến thiên mức dung dịch $h(t)$ và nồng độ chất phản ứng $c_b(t)$ trong bình phản ứng khuấy trộn liên tục có tính đến thời gian trễ vận chuyển của dòng dung dịch qua đường ống và van điện.
- Khảo sát hai cấu hình:
- Cấu hình SISO: Điều khiển 1 kênh nồng độ $c_b$ thông qua 1 van cấp lưu lượng chất phản ứng.
- Cấu hình MIMO: Điều khiển đồng thời 2 kênh: mức dung dịch $h$ và nồng độ $c_b$ thông qua 2 tín hiệu điều khiển van.
- Thiết kế mô hình nhận dạng RBF và bù nhiễu cho CSTR:
- Cài đặt cấu trúc nhận dạng nơron RBF với vector đầu vào là trạng thái $[h, c_b]^T$ và luật thích nghi trọng số trực tuyến.
- Thử nghiệm nhận dạng với hai trường hợp: nhiễu nội sinh thuần túy và nhiễu có cộng thêm thành phần dao động điều hòa (hàm sin) với thời gian trễ $\tau = 30\text{s}$. Kết quả cho thấy đầu ra nhận dạng của mạng RBF bám sát dạng hàm nhiễu thực của đối tượng, sai lệch nhận dạng nhanh chóng hội tụ về 0.
- Kết quả mô phỏng so sánh IMPC và PID:
- Kịch bản 1 - Hệ không trễ ($\tau = 0\text{s}$): Cả hai bộ điều khiển IMPC và PID đều duy trì được tính ổn định và bám giá trị đặt. Tuy nhiên, bộ điều khiển IMPC tích hợp nhận dạng và bù nhiễu có thời gian xác lập nhanh hơn và không xuất hiện độ quá điều chỉnh.
- Kịch bản 2 - Hệ có trễ ($\tau = 5\text{s}$ và $\tau = 30\text{s}$): Bộ điều khiển PID truyền thống bộc lộ rõ nhược điểm khi xuất hiện hiện tượng dao động mạnh, độ quá điều chỉnh lớn và thời gian xác lập kéo dài khi có trễ $5\text{s}$; ở mức trễ lớn ($30\text{s}$), PID mất khả năng bám quỹ đạo ổn định. Ngược lại, hệ thống IMPC tích hợp bù nhiễu RBF duy trì đáp ứng trơn tru, bám chính xác giá trị đặt của mức dung dịch $h$ và nồng độ $c_b$, triệt tiêu hoàn toàn ảnh hưởng của trễ và nhiễu bất định.
Kết quả và những đóng góp mới
1. Những đóng góp mới về mặt lý luận
- Xây dựng phương pháp nhận dạng nhiễu trực tuyến cho hệ có trễ: Đề xuất cấu trúc nhận dạng kết hợp giữa mô hình song song và mạng nơron RBF, cho phép ước lượng trực tuyến các thành phần nhiễu phi tuyến bất định phụ thuộc trạng thái mà không cần biết trước mô hình giải tích của nhiễu.
- Phát biểu và chứng minh hai định lý toán học: Chứng minh thành công Định lý 2.1 (trường hợp 1 thành phần nhiễu) và Định lý 2.2 (trường hợp nhiều thành phần nhiễu), xác lập các điều kiện đủ đảm bảo quá trình nhận dạng hội tụ tiệm cận bền vững theo lý thuyết ổn định Lyapunov.
- Quy luật cập nhật trọng số khả thi cao: Thiết lập luật thích nghi trọng số cho mạng RBF mà tốc độ hiệu chỉnh chỉ phụ thuộc trực tiếp vào vector sai lệch trạng thái giữa đối tượng thực và mô hình song song, giúp tối giản hóa khối lượng tính toán.
- Xác định điều kiện ứng đối đại số và cấu trúc kênh bù nhiễu: Đưa ra điều kiện đủ $\Gamma(D) \subseteq \Gamma(B)$ để triệt tiêu hoàn toàn tác động của nhiều thành phần nhiễu bất định đồng thời trên hệ có trễ.
- Đề xuất cấu trúc IMPC tích hợp: Tổng hợp thành công hệ thống điều khiển dự báo mô hình nội IMPC tích hợp khâu nhận dạng RBF và kênh bù nhiễu, kết hợp được ưu điểm tối ưu hóa của IMPC với khả năng thích nghi, kháng nhiễu mạnh của mạng nơron.
2. Những đóng góp mới về mặt thực tiễn
- Ứng dụng thành công trên đối tượng CSTR: Thiết kế và kiểm chứng trọn vẹn hệ thống điều khiển IMPC thích nghi, kháng nhiễu trên đối tượng bình phản ứng khuấy trộn liên tục CSTR ở cả chế độ điều khiển 1 kênh và 2 kênh đồng thời mức - nồng độ.
- Khả năng ứng dụng công nghiệp rộng rãi: Cấu trúc điều khiển đề xuất có dạng giải tích đơn giản, dễ cài đặt trên các thiết bị điều khiển công nghiệp hiện đại (như PLC, DCS, máy tính công nghiệp) mà không đòi hỏi năng lực tính toán quá cao, mở ra khả năng áp dụng hiệu quả cho các đối tượng có trễ trong công nghiệp lọc dầu, hóa chất, thực phẩm và sản xuất giấy.
Hạn chế và hướng nghiên cứu tiếp
1. Hạn chế của luận án
- Luận án chưa xét đến các ràng buộc bất đẳng thức (constraints) đối với vector trạng thái và vector tín hiệu điều khiển (giới hạn biên độ và tốc độ thay đổi của cơ cấu chấp hành) trong quá trình thiết lập bài toán tối ưu.
- Toàn bộ kết quả kiểm chứng chất lượng của cấu trúc điều khiển IMPC - RBF trên đối tượng CSTR mới dừng lại ở mức độ mô hình hóa toán học và mô phỏng số trên máy tính, chưa triển khai thực nghiệm trên hệ thống phần cứng thực tế trong môi trường sản xuất công nghiệp.
2. Hướng nghiên cứu tiếp theo
- Mở rộng thuật toán điều khiển dự báo IMPC kết hợp nhận dạng RBF cho lớp đối tượng phi tuyến có trễ khi có sự hiện diện của các ràng buộc chặt chẽ về trạng thái và tín hiệu điều khiển.
- Triển khai cài đặt thử nghiệm thuật toán trên mô hình thực nghiệm phần cứng của tháp phản ứng CSTR hoặc các hệ thống công nghiệp thực tế để đánh giá ảnh hưởng của sai số số học và độ trễ truyền thông.
Giá trị tham khảo
1. Đối tượng thụ hưởng
- Nghiên cứu sinh, học viên cao học và giảng viên ngành Kỹ thuật điều khiển và Tự động hóa: Tài liệu tham khảo hữu ích về phương pháp luận kết hợp mạng nơron nhân tạo với lý thuyết điều khiển dự báo, kỹ thuật chứng minh ổn định Lyapunov cho các thuật toán học thích nghi trực tuyến của mạng RBF.
- Kỹ sư điều khiển quá trình và chuyên gia tự động hóa công nghiệp: Cung cấp giải pháp kỹ thuật để xử lý bài toán điều khiển các đối tượng có trễ lớn và phi tuyến trong các nhà máy hóa chất, lọc hóa dầu, chế biến thực phẩm và sản xuất giấy.
2. Các phần nội dung đáng tham khảo nhất
- Chương 2 (Mục 2.6, 2.7 và 2.8): Cung cấp chi tiết các bước chứng minh toán học của Định lý 2.1, Định lý 2.2 và phương pháp thiết lập ma trận điều kiện ứng đối bù nhiễu.
- Chương 3 (Mục 3.3 và 3.5): Cung cấp hệ phương trình động học chi tiết của bình phản ứng khuấy trộn liên tục CSTR cùng sơ đồ cấu trúc tích hợp hoàn chỉnh giữa bộ điều khiển IMPC, mạng nơron RBF và kênh bù nhiễu.
Câu hỏi thường gặp
1. Tại sao tác giả lại lựa chọn mạng nơron RBF thay vì các cấu trúc mạng nơron khác để nhận dạng nhiễu?
Mạng nơron RBF có cấu trúc mạng 3 lớp đơn giản với một lớp ẩn duy nhất sử dụng hàm kích hoạt đối xứng xuyên tâm (thường là hàm Gaussian), có khả năng xấp xỉ bất kỳ hàm phi tuyến liên tục nào với độ chính xác tùy ý trên tập compact. Khác với mạng nơron nhiều lớp truyền thẳng (MLP/DLP) thường sử dụng thuật toán lan truyền ngược dễ rơi vào cực trị địa phương và tốc độ học chậm, mạng RBF cho phép xây dựng luật cập nhật trọng số trực tuyến giải tích theo sai số trạng thái, đảm bảo tính hội tụ nhanh và phù hợp cho các bài toán nhận dạng thời gian thực.
2. Điều kiện ứng đối (matching condition) $\Gamma(D) \subseteq \Gamma(B)$ đóng vai trò gì trong cấu trúc bù nhiễu của luận án?
Điều kiện ứng đối đảm bảo rằng không gian hạng của ma trận phân bố nhiễu $D$ phải nằm hoàn toàn trong không gian hạng của ma trận điều khiển $B$. Điều này đồng nghĩa với việc mọi thành phần nhiễu bất định $D F(X, U)$ tác động vào hệ thống đều có thể được triệt tiêu hoàn toàn thông qua một tín hiệu điều khiển bù $U_b(t) = -B^+ D \hat{F}(X, U)$ đi qua cùng kênh điều khiển, đưa đối tượng phi tuyến phức tạp về đúng dạng tuyến tính có trễ xác định.
3. Ưu thế nổi bật của cấu trúc IMPC kết hợp bù nhiễu RBF so với phương pháp NMPC truyền thống là gì?
NMPC truyền thống đòi hỏi phải giải bài toán tối ưu hóa phi tuyến trực tuyến lặp tại mỗi chu kỳ trích mẫu, dẫn đến gánh nặng tính toán rất lớn, nguy cơ không tìm được nghiệm tối ưu toàn cục và đe dọa tính ổn định thời gian thực của hệ thống. Cấu trúc của luận án giải quyết triệt để vấn đề này bằng cách dùng mạng RBF và kênh bù nhiễu để tuyến tính hóa hệ thống, từ đó bộ điều khiển IMPC chỉ cần giải bài toán tối ưu toàn phương tuyến tính với nghiệm giải tích tường minh, kỹ thuật thực hiện đơn giản và độ tin cậy thời gian thực cao.
4. Đối tượng kiểm chứng CSTR được khảo sát trong luận án gồm những biến trạng thái và kịch bản mô phỏng nào?
Đối tượng CSTR được mô hình hóa với hai biến trạng thái chính là mức dung dịch trong bình ($h$) và nồng độ chất phản ứng ($c_b$). Luận án tiến hành kiểm chứng trên hai cấu hình (SISO điều khiển nồng độ và MIMO điều khiển đồng thời mức và nồng độ) dưới các điều kiện: không có trễ thời gian ($\tau = 0\text{s}$), có trễ thời gian ($\tau = 5\text{s}$ và $\tau = 30\text{s}$), cùng trường hợp có thêm nhiễu dao động điều hòa dạng hàm sin tác động vào hệ thống.
Kết luận
Luận án của tác giả Lê Thị Huyền Linh đã giải quyết thành công bài toán điều khiển dự báo cho lớp đối tượng phi tuyến có trễ ở kênh điều khiển và chịu tác động của nhiễu bất định phụ thuộc trạng thái. Bằng việc kết hợp mô hình song song, mạng nơron RBF thích nghi và kênh bù nhiễu thỏa mãn điều kiện ứng đối, công trình đã đưa hệ phi tuyến phức tạp về dạng tuyến tính có trễ, cho phép áp dụng cấu trúc điều khiển dự báo mô hình nội IMPC với lời giải giải tích tường minh. Các định lý toán học về sự hội tụ của quá trình nhận dạng đã được phát biểu và chứng minh chặt chẽ theo lý thuyết Lyapunov, đồng thời hiệu quả vượt trội của hệ thống so với bộ điều khiển PID truyền thống đã được khẳng định thông qua kết quả mô phỏng toàn diện trên đối tượng bình phản ứng khuấy trộn liên tục CSTR.