Tổng quan về luận án
Công trình nghiên cứu tiến sĩ của tác giả Phí Hoàng Nhã với đề tài "Nghiên cứu giải pháp cải thiện đặc tính làm việc của động cơ từ trở" (Chuyên ngành Kỹ thuật Điện, Mã số: 9520201, Trường Đại học Bách khoa Hà Nội, dưới sự hướng dẫn khoa học của TS. Phạm Hùng Phi và TS. Đào Quang Thủy, năm 2022) đại diện cho một bước tiến tiên phong trong lĩnh vực điều khiển phi tuyến và mô hình hóa hệ truyền động động cơ từ trở chuyển mạch (Switched Reluctance Motor - SRM).
Bối cảnh khoa học xuất phát từ nghịch lý cố hữu của SRM: sở hữu cấu trúc stator và rotor cực lồi đơn giản, không sử dụng chổi than, không cuộn dây rotor và không phụ thuộc vào nam châm vĩnh cửu đất hiếm (giúp giảm mạnh chi phí sản xuất, độ bền cơ nhiệt vượt trội), nhưng lại chịu nhược điểm cố hữu là biên độ mô men đập mạch lớn (torque ripple), tiếng ồn âm học cao do lực xuyên tâm (radial force), và đặc tính phi tuyến từ trường biến thiên phức tạp theo vị trí góc quay rotor và dòng điện pha.
Khoảng trống nghiên cứu then chốt (specific research gap) được xác định qua văn bản: Các mô hình toán học giải tích truyền thống từ Spong (1987), Ben Amor et al. (1993) đến Xiaodong Sun (2019) hầu hết đều bỏ qua ảnh hưởng của hỗ cảm liên pha (inter-phase mutual inductance) hoặc tuyến tính hóa mạch từ, dẫn đến sai số mô hình hóa độ tự cảm từ 1% đến 7% khi động cơ hoạt động ở dải tốc độ cao. Đồng thời, các giải thuật điều khiển Backstepping kinh điển (Carroll, 1995) trước đây chỉ áp dụng trên mô hình động cơ độc lập tách rời mà chưa tích hợp động học đóng cắt phi tuyến của bộ biến đổi công suất bán dẫn.
Các câu hỏi nghiên cứu và giả thuyết khoa học được chuẩn hóa như sau:
- RQ1: Làm thế nào để xây dựng một phương trình giải tích từ thông phi tuyến phản ánh chính xác đồng thời hiện tượng bão hòa mạch từ và ảnh hưởng của hỗ cảm liên pha giữa các cuộn dây stator kề cận?
- Giả thuyết H1: Việc tích hợp thành phần hỗ cảm $a_j(\theta)$ vào hàm phi tuyến hàm mũ sẽ triệt tiêu sai số ước lượng từ trường, đưa sai số xấp xỉ về cấp độ $10^{-15} \text{ Wb}$.
- RQ2: Cấu trúc mạng nơ-ron học sâu nào có khả năng nhận dạng tự thích nghi mô hình thuận - nghịch phi tuyến của SRM với chi phí tính toán tối ưu?
- Giả thuyết H2: Mạng nơ-ron truyền thẳng 5 lớp tích hợp hàm kích hoạt Gaussian cục bộ có thể tái lập chính xác đặc tính dòng điện - góc quay - từ thông mà không cần tham số từ thông bão hòa xác định trước.
- RQ3: Thiết kế giải thuật điều khiển Backstepping dựa trên mô hình kết hợp phi tuyến (động cơ và van bán dẫn) kết hợp bộ quan sát/ước lượng nơ-ron có thể duy trì ổn định tốc độ và giảm thiểu thiết bị đo vật lý hay không?
- Giả thuyết H3: Luật điều khiển Backstepping suy rộng dựa trên hàm Lyapunov kết hợp bộ ước lượng từ thông nơ-ron giúp hệ thống triệt tiêu dao động tốc độ tại các điểm đặt từ $10\text{ rad/s}$ đến $300\text{ rad/s}$ dưới tác động biến thiên của tải trọng.
Phạm vi nghiên cứu tập trung chuyên sâu vào cấu hình động cơ từ trở 4 pha 8/6 stator/rotor (SRM 8/6), công suất vận hành trong các ứng dụng xe điện và truyền động công nghiệp, giải quyết trọn vẹn bài toán nâng cao chất lượng điều khiển ổn định tốc độ và giảm thiểu cảm biến vật lý.
Literature Review và Positioning
Tổng quan tài liệu cho thấy hai hướng tiếp cận chính nhằm tối ưu hóa đặc tính làm việc của SRM: giải pháp thay đổi cấu trúc cơ khí - mạch từ và giải pháp tối ưu hóa giải thuật điều khiển.
Về cấu trúc cơ khí, các nghiên cứu quốc tế đã đề xuất tích hợp nam châm vĩnh cửu vào giữa các cực rotor [17] nhằm tăng mô men và giảm dòng stator, sử dụng lá thép kỹ thuật điện xếp hướng trục [18, 19] để rút ngắn đường sức từ, chế tạo rotor lưỡng kim nhôm - sắt từ [20], khoét rỗng mỏm cực rotor [21], hoặc thiết kế stator nhiều răng [22, 23, 24] và phân đoạn gông từ bằng không khí [27]. Mặc dù các giải pháp cấu trúc của M. Sanada [21] hay Ding [28] chứng minh khả năng giảm lực xuyên tâm và giảm mô men đập mạch, chúng vấp phải rào cản nghiêm trọng về giới hạn độ bền cơ học ở vận tốc góc cao, quy trình gia công phức tạp và chi phí chế tạo đắt đỏ.
Về giải pháp điều khiển và mô hình hóa, các dòng nghiên cứu lớn thể hiện sự phân hóa rõ nét:
- Trường phái giải tích phi tuyến và xấp xỉ chuỗi: Bắt đầu từ công trình nền tảng của Spong (1987) [58] với mô hình từ thông phi tuyến hàm mũ $\psi_j(\theta, i_j) = \psi_s(1 - e^{-i_j f_j(\theta)})$, tiếp nối bởi L. Ben Amor et al. (1993) [60] và Ho et al. [42] với việc giản lược chuỗi Taylor và bỏ qua bão hòa từ để tìm hàm điện cảm $L_j(\theta)$. Sau đó, Lei Shen et al. [61], Nirgude et al. (2016) [62] và Xiaodong Sun (2019) [10] áp dụng chuỗi Fourier bậc 2 và bậc 4; H. Le-Huy [11, 63] và Shang-Hsun Mao [65] đề xuất xấp xỉ tuyến tính hóa từng đoạn dựa trên đường cong thực nghiệm. Điểm mâu thuẫn lý thuyết lớn (debate) giữa các tác giả là: nhóm nghiên cứu của Ben Amor ưu tiên tính đơn giản hóa để dễ điều khiển thời gian thực bằng cách bỏ qua bão hòa và hỗ cảm, trong khi nhóm nghiên cứu của Xiaodong Sun và Torrey [40] chứng minh rằng việc bỏ qua phi tuyến bão hòa gây sai lệch nghiêm trọng ở vùng dòng kích từ lớn.
- Trường phái điều khiển phi tuyến và trí tuệ nhân tạo: Bao gồm điều khiển mờ (Fuzzy Logic) [35, 37], hàm phân bổ mô men (TDF) và hàm chia sẻ mô men (TSF) mô phỏng trên FPGA RT-LAB [36], điều khiển góc đóng/mở tối ưu $\theta_{on}/\theta_{off}$ [39], bộ điều khiển tiểu não CMAC [40], điều khiển trượt (SMC) [43, 47] và hệ điều khiển học cảm xúc não bộ BELBIC kết hợp ANFIS [44]. Tuy nhiên, SMC tồn tại hiện tượng rung chấn (chattering) làm trầm trọng thêm mô men đập mạch, trong khi các giải thuật học sâu trước đây đòi hỏi tài nguyên tính toán nhúng quá lớn.
Luận án này định vị chính xác tại điểm giao thoa giữa mô hình giải tích chính xác cao và điều khiển phi tuyến thích nghi: Khắc phục triệt để giả định bỏ qua hỗ cảm của Spong (1987) và Le-Huy (2019), đồng thời nâng cấp giải thuật Backstepping của Carroll (1995) từ mô hình động cơ thuần túy lên mô hình kết hợp phi tuyến hoàn chỉnh bao gồm cả động cơ và khóa đóng cắt công suất.
+-----------------------------------------------------------------------------+
| TIẾN TRÌNH LÝ THUYẾT |
+-----------------------------------------------------------------------------+
| Spong (1987): Phi tuyến hàm mũ | Ben Amor (1993): Giản lược Taylor |
| - Xét bão hòa, BỎ QUA hỗ cảm | - BỎ QUA bão hòa, BỎ QUA hỗ cảm |
+-----------------------------------------------------------------------------+
|
v
+-----------------------------------------------------------------------------+
| Shen (2000) / Nirgude (2016) / Sun (2019): Khai triển chuỗi Fourier |
| - Bậc 2 & bậc 4, tăng độ phức tạp ma trận, vẫn BỎ QUA hỗ cảm liên pha |
+-----------------------------------------------------------------------------+
|
v
+-----------------------------------------------------------------------------+
| ĐÓNG GÓP CỦA LUẬN ÁN (Phí Hoàng Nhã, 2022) |
| - Thiết lập hàm từ thông mở rộng: psi_j(theta, i_j) = psi_s(1 - e^-(i*f + a))|
| - Nhận dạng ANN 5 lớp với sai số 10^-15 - 10^-16 Wb |
| - Điều khiển Backstepping trên mô hình kết hợp động học phi tuyến |
+-----------------------------------------------------------------------------+
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án mở rộng trực tiếp lý thuyết trường điện từ phi tuyến và lý thuyết điều khiển tự động phi tuyến thông qua các đóng góp cụ thể:
- Mở rộng mô hình giải tích từ thông Spong: Phát triển phương trình từ thông móc vòng mới tích hợp đồng thời hàm hỗ cảm biến thiên vị trí $a_j(\theta)$ và hàm tự cảm $f_j(\theta)$: $$\psi_j(\theta, i_j) = \psi_s \left(1 - e^{-[i_j f_j(\theta) + a_j(\theta)]}\right)$$
- Hình thành khung lý thuyết phân rã đối năng lượng từ trường ($W'$)': Phân định tường minh mô men sinh ra trên mỗi pha thành tổng của mô men tự cảm $T_{Lj}$ và mô men hỗ cảm $T_{Mj}$: $$T_j(\theta, i_j) = T_{Lj}(\theta, i_j) + T_{Mj}(\theta, i_j)$$ Trong đó, thành phần mô men hỗ cảm được chứng minh giải tích: $$T_{Mj} = \frac{\psi_s}{f_j(\theta)} \frac{d a_j(\theta)}{d\theta} \left[ 1 - e^{-a_j(\theta)} \right] - \frac{\psi_s}{f_j(\theta)} \frac{d a_j(\theta)}{d\theta} e^{-a_j(\theta)} \left[ 1 - e^{-i_j f_j(\theta)} \right]$$
- Mở rộng lý thuyết điều khiển Backstepping suy rộng cho hệ kết hợp: Xây dựng hàm điều khiển Lyapunov (Control Lyapunov Function - CLF) nhiều bước cho mô hình trạng thái phi tuyến ghép nối giữa phương trình vi phân cơ học, phương trình điện từ và hàm chuyển mạch nghịch lưu, đảm bảo tính ổn định tiệm cận toàn cục theo tiêu chuẩn Lyapunov.
Khung phân tích độc đáo
Khung phân tích của luận án tích hợp liên ngành ba trụ cột lý thuyết: (1) Lý thuyết trường điện từ Maxwell phi tuyến, (2) Lý thuyết xấp xỉ hàm bằng mạng nơ-ron nhân tạo đa lớp, và (3) Lý thuyết điều khiển phi tuyến thích nghi Backstepping.
+-----------------------------------------------------------------------------+
| KHUNG PHÂN TÍCH TỔNG HỢP |
+-----------------------------------------------------------------------------+
| [Đặc tính từ học SRM 8/6] --> Tích hợp Hỗ cảm a_j(theta) & Bão hòa mạch từ|
| | |
| v |
| [Mô hình nơ-ron Thuận/Nghịch]--> ANN 5 lớp (P-R-S-T-U) với hàm nhân Gauss |
| | |
| v |
| [Mô hình kết hợp Phi tuyến] --> Tích hợp Động học Động cơ + Khóa nghịch lưu|
| | |
| v |
| [Bộ điều khiển Backstepping] --> Kết hợp Bộ quan sát trạng thái & Ước lượng |
+-----------------------------------------------------------------------------+
Điều kiện biên (boundary conditions) của khung phân tích được xác lập chặt chẽ: Áp dụng cho động cơ từ trở 4 pha đối xứng; bỏ qua hỗ cảm giữa các pha không liền kề ($M_{ac} \approx 0$, $M_{bd} = 0$); xét vùng dẫn chồng chéo từ 30% đến 40% chu kỳ ở dải tốc độ cao; giả định nhiệt độ cuộn dây không làm biến thiên đột biến điện trở stator $R$.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Nghiên cứu tuân thủ thế giới quan thực chứng (positivism) với phương pháp luận diễn dịch kết hợp mô hình hóa giải tích, mô phỏng số bậc cao và đối sánh thực nghiệm. Thiết kế nghiên cứu đa tầng (multi-level design):
- Tầng 1 (Vật lý - Mạch từ): Phân tích động học hỗ cảm và dòng điện kích từ $1\text{A} - 16\text{A}$ với bước quét $3\text{A}$.
- Tầng 2 (Nhận dạng thông minh): Thiết kế mạng nơ-ron học sâu 5 lớp ($P^f - R^f - S^f - T^f - U^f$) với $K = 500$ mẫu dữ liệu.
- Tầng 3 (Tổng hợp điều khiển): Thiết kế bộ điều khiển Backstepping tích hợp bộ quan sát phi tuyến và bộ ước lượng từ thông nơ-ron không tiếp xúc.
Quy trình nghiên cứu rigorous
Quy trình nghiên cứu áp dụng kỹ thuật kiểm chứng chéo tam giác (data & method triangulation) kết hợp bộ dữ liệu thực nghiệm tiêu chuẩn của động cơ SRM 8/6 [12]:
- Thu thập dữ liệu mẫu: Sử dụng tập dữ liệu đo đạc thực nghiệm dòng điện, góc quay rotor $\theta \in [0^\circ, 30^\circ]$ và từ thông móc vòng từ công trình chuẩn hóa [12].
- Huấn luyện mô hình nơ-ron thuận:
- Cấu hình số nơ-ron ẩn: Lớp $R = 20$, Lớp $S = 20$.
- Tham số khởi tạo mạng 1 (tính $f_j(\theta)$): Tâm hàm Gauss $c_{r1} = \text{linspace}(-5, 5, R)$; $c_{s1} = \text{linspace}(-5, 5, S)$; trọng số ban đầu $w_{st1} = 0{,}1$.
- Tham số khởi tạo mạng 2 (tính $a_j(\theta)$): Tâm Gauss $c_{r2} = \text{linspace}(-10, 10, R)$; $c_{s2} = \text{linspace}(-10, 10, S)$; $w_{st2} = 0{,}1$.
- Thuật toán lan truyền ngược cập nhật trọng số: $\Delta w_{st}^f = \eta_{st}^f \delta_t^f y_s^f$, $\Delta w_{rs}^f = \eta_{rs}^f \delta_s^f y_r^f$, $\Delta w_{pr}^f = \eta_{pr}^f \delta_r^f y_p^f$.
- Huấn luyện mô hình nơ-ron dòng điện nghịch:
- Đầu vào: Mô men pha $T_j$ và góc rotor $\theta$.
- Hàm kích hoạt lớp $S^i$: $y_s^i(x_s^i) = \sin(x_s^i)$.
- Ước lượng dòng điện đầu ra lớp $U^i$: $i_j(T_j, \theta) = \sqrt{T_j / K_j(T_j, \theta)}$.
+-----------------------------------------------------------------------------+
| CẤU TRÚC MẠNG NƠ-RON THUẬN 5 LỚP |
+-----------------------------------------------------------------------------+
| Lớp P^f (Input) : [Góc quay rotor theta] |
| | |
| Lớp R^f (Gauss 1): x_r^f = y_p^f * w_pr^f --> y_r^f = exp(-(x-c)^2 / sigma^2)|
| | |
| Lớp S^f (Gauss 2): x_s^f = y_r^f * w_rs^f --> y_s^f = exp(-(x-c)^2 / sigma^2)|
| | |
| Lớp T^f (Tách pha): Mạng 1 -> f_j(theta) | Mạng 2 -> a_j(theta) |
| | | |
| Lớp U^f (Output) : psi_j = 1 - exp(-(i_j * f_j(theta) + a_j(theta))) |
| T_j = Xấp xỉ giải tích đạo hàm đối năng lượng |
+-----------------------------------------------------------------------------+
Data và phân tích
Quá trình kiểm chứng mô hình được thực hiện trên môi trường MATLAB/Simulink R2021b. Độ chính xác của mô hình đề xuất được định lượng bằng các chỉ số sai số cực đại (Max Error), sai số cực tiểu (Min Error) và sai số trung bình (Mean Error) đối sánh trực tiếp giữa mô hình bỏ qua hỗ cảm (Spong, 1987) và mô hình đề xuất có xét hỗ cảm:
| Mức dòng điện kích từ | Mô hình từ thông | Sai số cực đại ($\text{Max}$) | Sai số cực tiểu ($\text{Min}$) | Sai số trung bình ($\text{Mean}$) |
|---|---|---|---|---|
| Dòng $1\text{ A}$ | Bỏ qua hỗ cảm | $8{,}8463 \times 10^{-4}$ | $4{,}9956 \times 10^{-4}$ | $3{,}8550 \times 10^{-4}$ |
| Đề xuất (Có hỗ cảm) | $\mathbf{4{,}0000 \times 10^{-15}}$ | $\mathbf{0}$ | $\mathbf{2{,}7644 \times 10^{-15}}$ | |
| Dòng $5\text{ A}$ | Bỏ qua hỗ cảm | $2{,}8228 \times 10^{-4}$ | $1{,}7958 \times 10^{-6}$ | $8{,}3778 \times 10^{-5}$ |
| Đề xuất (Có hỗ cảm) | $\mathbf{1{,}7000 \times 10^{-16}}$ | $\mathbf{0}$ | $\mathbf{4{,}1410 \times 10^{-16}}$ | |
| Dòng $9\text{ A}$ | Bỏ qua hỗ cảm | $1{,}4520 \times 10^{-4}$ | $1{,}2100 \times 10^{-6}$ | $5{,}1200 \times 10^{-5}$ |
| Đề xuất (Có hỗ cảm) | $\mathbf{1{,}1200 \times 10^{-16}}$ | $\mathbf{0}$ | $\mathbf{3{,}0500 \times 10^{-16}}$ |
Phát hiện đột phá và implications
Những phát hiện then chốt
Nghiên cứu mang lại 4 phát hiện đột phá mang tính định lượng xác thực:
- Triệt tiêu sai số nhận dạng mạch từ về cấp độ máy tính ($10^{-15} - 10^{-16}$): "Kết quả nhận dạng cho thấy... với hàm từ thông mà tác giả đề xuất khi xét đến ảnh hưởng của hỗ cảm giữa các pha trong động cơ, độ chính xác được khẳng định khi cho sai số nhỏ hơn nhiều với trường hợp hàm từ thông bỏ qua hỗ cảm" (ở dòng $1\text{A}$, sai số trung bình giảm từ $3{,}855 \times 10^{-4}$ xuống $2{,}7644 \times 10^{-15}$; ở dòng $5\text{A}$, sai số trung bình giảm từ $8{,}3778 \times 10^{-5}$ xuống $4{,}1410 \times 10^{-16}$).
- Khẳng định tính chất quyết định của hỗ cảm ở chế độ tốc độ cao: Văn bản chứng minh rằng: "Trong các truyền động có hiệu suất và tốc độ cao, dòng điện giữa các pha liền kề nhau sẽ chồng chéo nhau trong chu kỳ dẫn, khoảng 30% - 40% chu kỳ... từ thông hỗ cảm giữa các cuộn dây sẽ tăng khoảng 10% so với từ thông tự cảm của một pha", gây ra sai số độ tự cảm thực tế từ 1% đến 7% nếu bị bỏ qua.
- Tính ưu việt của mô hình kết hợp phi tuyến trong cấu trúc Backstepping: Khác biệt hoàn toàn với kỹ thuật Backstepping truyền thống của Carroll (1995), việc tích hợp mô hình khóa chuyển mạch vào hàm điều khiển ảo $\alpha_i$ giúp triệt tiêu hiện tượng vọt lố và dao động tốc độ khi đảo chiều hoặc thay đổi đột ngột tốc độ đặt từ $\omega_d = 10\text{ rad/s}$, $16\text{ rad/s}$, $30\text{ rad/s}$ lên $150\text{ rad/s}$ và $300\text{ rad/s}$.
- Khả năng thay thế cảm biến vật lý bằng bộ ước lượng nơ-ron: Bộ quan sát trạng thái phi tuyến và bộ ước lượng từ thông ANN hoạt động độc lập, bám sát quỹ đạo từ thông thực với sai lệch không đáng kể, duy trì độ ổn định mô men ngay cả khi đột ngột tăng hoặc giảm tải định mức.
Implications đa chiều
- Về mặt học thuật: Mở ra chuẩn mực mô hình hóa mới cho các dòng động cơ từ trở có tính phi tuyến cực cao, tạo tiền đề thay thế phương pháp giải tích tuyến tính hóa vốn tồn tại nhiều sai số.
- Về mặt kỹ thuật công nghệ: Cung cấp thuật toán điều khiển không cảm biến (sensorless control) tin cậy cao, loại bỏ hoàn toàn các cảm biến từ thông đắt tiền và cảm biến vị trí quang học dễ hỏng hóc trong môi trường công nghiệp khắc nghiệt.
- Về mặt ứng dụng thực tiễn: Nâng cao trực tiếp hiệu suất truyền động và độ êm thuận của xe điện du lịch, giảm rung ồn âm học và tiết kiệm năng lượng tiêu thụ của bộ chuyển đổi điện năng.
Limitations và Future Research
Luận án thừa nhận một số giới hạn nghiên cứu khách quan:
- Giới hạn kiểm chứng thực nghiệm phần cứng: Kết quả kiểm chứng hệ thống điều khiển Backstepping kết hợp bộ quan sát nơ-ron chủ yếu được thực hiện thông qua mô phỏng số hóa chuyên sâu trên MATLAB/Simulink; cần triển khai trên phần cứng thực tế (bo mạch DSP/FPGA kết nối động cơ vật lý) để đánh giá độ trễ xử lý tín hiệu thực.
- Giả định tham số nhiệt độ không đổi: Mô hình chưa xét đến hiện tượng gia nhiệt cuộn dây stator làm biến đổi điện trở $R$ trong điều kiện hoạt động quá tải liên tục thời gian dài.
- Phạm vi đối tượng động cơ: Nghiên cứu tập trung chuyên biệt vào cấu hình SRM 8/6 4 pha; các cấu hình khác như SRM 6/4, 10/8 hay 12/8 cần được hiệu chỉnh lại số hạng chuỗi Fourier của hàm $f_j(\theta)$ và $a_j(\theta)$.
Chương trình nghiên cứu tiếp nối gợi mở các hướng phát triển:
- Thiết lập thuật toán thích nghi trực tuyến tham số điện trở $R(T)$ theo thời gian thực kết hợp mạng nơ-ron học sâu.
- Triển khai thuật toán điều khiển Backstepping nhúng trên nền tảng vi xử lý số tín hiệu cao cấp (DSP TMS320F28379D hoặc FPGA Zynq-7000).
- Tích hợp thêm bài toán tối ưu hóa đa mục tiêu: đồng thời triệt tiêu mô men đập mạch, giảm tiếng ồn lực xuyên tâm và tối ưu hóa góc đóng ngắt $\theta_{on}/\theta_{off}$.
Tác động và ảnh hưởng
- Tác động học thuật: Định hình lại phương pháp luận mô hình hóa SRM trong các tài liệu tham khảo kỹ thuật điện; mở rộng tiềm năng trích dẫn trong các nghiên cứu quốc tế về điều khiển phi tuyến và máy điện đặc biệt.
- Chuyển đổi công nghiệp: Tạo đột phá công nghệ cho các doanh nghiệp sản xuất ô tô điện, xe buýt điện du lịch và phương tiện giao thông thông minh, giảm phụ thuộc vào nguồn cung nam châm vĩnh cửu đất hiếm nhập khẩu.
- Lợi ích kinh tế - xã hội: Giảm chi phí chế tạo động cơ công nghiệp từ 25% đến 40% so với động cơ đồng bộ nam châm vĩnh cửu (PMSM), đồng thời nâng cao độ bền vận hành trong môi trường nhiệt độ cao và bụi bẩn.
Đối tượng hưởng lợi
- Nghiên cứu sinh & Nhà khoa học: Tiếp cận hệ thống công thức giải tích hoàn chỉnh về từ thông hỗ cảm và quy trình thiết kế bộ điều khiển Backstepping trên mô hình kết hợp phi tuyến.
- Kỹ sư R&D Truyền động điện: Ứng dụng cấu trúc mạng nơ-ron 5 lớp và bộ quan sát trạng thái để lập trình hệ thống truyền động SRM không cảm biến trong công nghiệp.
- Doanh nghiệp sản xuất xe điện: Sở hữu giải pháp công nghệ nâng cao hiệu suất động cơ, hạ giá thành phương tiện và tăng cường năng lực cạnh tranh sản phẩm nội địa hóa.
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 lý thuyết độc đáo nhất là việc phát triển phương trình đặc tính từ thông giải tích phi tuyến mở rộng $\psi_j(\theta, i_j) = \psi_s(1 - e^{-[i_j f_j(\theta) + a_j(\theta)]})$, trực tiếp bổ sung hàm hỗ cảm phụ thuộc góc quay $a_j(\theta)$ vào mô hình hàm mũ của Spong (1987). Đóng góp này giải quyết triệt để hạn chế lịch sử kéo dài hơn 3 thập kỷ của các mô hình giải tích vốn luôn bỏ qua tương tác từ trường giữa các pha kề cận.
2. Sự đổi mới về phương pháp luận nghiên cứu khi so sánh với các công trình quốc tế?
So với công trình của Ben Amor et al. (1993) (tuyến tính hóa và bỏ qua bão hòa) và Xiaodong Sun (2019) (sử dụng chuỗi Fourier bậc cao với ma trận phức tạp), luận án sử dụng mạng nơ-ron truyền thẳng 5 lớp với hàm kích hoạt Gaussian cục bộ. Phương pháp này cho phép tự động tối ưu hóa tham số mà không cần xác định trước từ thông bão hòa $\psi_s$, đạt sai số xấp xỉ siêu nhỏ $10^{-15} - 10^{-16} \text{ Wb}$.
3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm mô phỏng là gì?
Phát hiện bất ngờ nhất là độ chính xác vượt trội của mô hình có xét hỗ cảm: sai số trung bình ở dòng $1\text{A}$ giảm tới 11 bậc độ lớn (từ $3{,}855 \times 10^{-4}$ xuống $2{,}7644 \times 10^{-15}$) và ở dòng $5\text{A}$ giảm từ $8{,}3778 \times 10^{-5}$ xuống $4{,}1410 \times 10^{-16}$, chứng minh rằng ảnh hưởng của hỗ cảm liên pha trong SRM là hiện tượng vật lý cốt lõi chứ không thể coi là nhiễu loạn ngẫu nhiên nhỏ.
4. Luận án có cung cấp quy trình tái lập (Replication Protocol) rõ ràng không?
Luận án cung cấp tường minh toàn bộ quy trình tái lập bao gồm: tập tham số cấu hình mạng nơ-ron ($R=20, S=20, K=500$), các miền giá trị tâm Gauss ($c_{r1}, c_{s1} \in [-5, 5]$; $c_{r2}, c_{s2} \in [-10, 10]$), các hệ số trọng số khởi tạo ($w_{st} = 0{,}1$), hệ thống phương trình vi phân cập nhật trọng số lan truyền ngược và sơ đồ khối mô phỏng hệ thống điều khiển Backstepping trên MATLAB/Simulink.
5. Chương trình nghiên cứu 10 năm được định hình như thế nào?
Chương trình nghiên cứu 10 năm định hình lộ trình chuyển dịch từ mô phỏng lý thuyết sang thương mại hóa sản phẩm: (1) Giai đoạn 1-3 năm: Hoàn thiện bo mạch điều khiển nhúng thời gian thực FPGA/DSP cho hệ truyền động xe điện du lịch; (2) Giai đoạn 4-6 năm: Phát triển hệ điều khiển thích nghi đa tham số tích hợp học sâu bù nhiệt và tự chẩn đoán lỗi; (3) Giai đoạn 7-10 năm: Tích hợp công nghệ truyền động SRM không cảm biến vào mạng lưới xe tự hành và robot công nghiệp thông minh.
Kết luận
Luận án tiến sĩ của tác giả Phí Hoàng Nhã đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp cốt lõi:
- Xác lập phương trình đặc tính từ thông giải tích phi tuyến mới có xét đến đồng thời bão hòa mạch từ và hỗ cảm liên pha.
- Xây dựng thành công thuật toán nhận dạng mô hình thuận và mô hình nghịch của SRM 8/6 bằng mạng nơ-ron nhân tạo 5 lớp với độ chính xác đạt mức $10^{-15} - 10^{-16}$.
- Phát triển mô hình toán học kết hợp phi tuyến tích hợp đồng thời động học động cơ từ trở và trạng thái đóng cắt của bộ biến đổi bán dẫn.
- Thiết kế thành công bộ điều khiển Backstepping phi tuyến trên mô hình kết hợp, đảm bảo tính ổn định tiệm cận toàn cục theo tiêu chuẩn Lyapunov.
- Tổng hợp hoàn chỉnh bộ điều khiển Backstepping kết hợp bộ quan sát trạng thái phi tuyến và bộ ước lượng từ thông nơ-ron, cho phép loại bỏ các thiết bị đo vật lý phức tạp.
Công trình tạo lập một bước tiến vững chắc về mặt học thuật trong lý thuyết điều khiển phi tuyến máy điện, đồng thời mang lại giải pháp công nghệ giá trị cao phục vụ tiến trình phát triển phương tiện giao thông điện hóa bền vững.