Tổng quan về luận án

Trong kỷ nguyên chuyển đổi số và tự động hóa hàng hải toàn cầu, bài toán điều khiển tự động hướng đi và quỹ đạo tàu thủy (Ship Autopilot System) giữ vai trò then chốt đối với an toàn hàng hải và tối ưu hóa hiệu quả kinh tế. Động học của con tàu khi di chuyển trên biển là một hệ thống phi tuyến bậc cao, biến đổi theo thời gian, có thông số bất định và chịu tác động ngẫu nhiên, liên tục từ các yếu tố môi trường khắc nghiệt như sóng biển, gió và dòng chảy đại dương. Kể từ khi Nicolas Minorsky (1922) lần đầu tiên đặt nền móng cho việc ứng dụng thuật toán điều khiển Tỷ lệ - Tích phân - Vi phân (PID) trên máy lái tự động tàu thủy, bộ điều khiển PID truyền thống đã trở thành chuẩn mực công nghiệp và hiện diện trong hơn 90% các hệ thống điều khiển vận hành thực tế nhờ cấu trúc đơn giản, độ tin cậy và tính bền vững cơ bản.

Tuy nhiên, bộ điều khiển PID kinh điển với các thông số khuếch đại cố định ($K_p, K_i, K_d$) bộc lộ điểm nghẽn nghiêm trọng: chất lượng điều khiển bị suy giảm rõ rệt khi đối tượng vận hành thay đổi trạng thái tải trọng, tốc độ hoặc khi chịu nhiễu động môi trường phi tuyến quy mô lớn. Để khắc phục triệt để khoảng trống nghiên cứu (research gap) này, luận án tiến sĩ kỹ thuật chuyên ngành Khoa học hàng hải (Mã số: 9840106) của tác giả Võ Hồng Hải, dưới sự hướng dẫn khoa học của PGS. Phạm Kỳ Quang và PGS. Nguyễn Phùng Hưng tại Trường Đại học Hàng hải Việt Nam (2020), mang tiêu đề: "Nghiên cứu ứng dụng bộ điều khiển PID thích nghi dựa trên mạng nơ-ron nhân tạo cho hệ thống điều khiển tàu thủy", đã phát triển một khung điều khiển thông minh đột phá. Nghiên cứu giải quyết bài toán tự động điều chỉnh tối ưu trực tuyến các tham số PID trong thời gian thực thông qua mạng nơ-ron nhân tạo thích nghi kết hợp bộ nhận dạng hệ thống động lực học tàu thủy.

Nghiên cứu được định hình dựa trên hệ thống câu hỏi nghiên cứu (Research Questions - RQ) và giả thuyết khoa học (Hypotheses - H) cụ thể:

  • RQ1: Làm thế nào để tự động tinh chỉnh trực tuyến các hệ số $K_p, K_i, K_d$ của bộ điều khiển PID nhằm thích ứng chính xác với tính chất phi tuyến và thông số biến đổi theo thời gian của tàu thủy?
  • RQ2: Cấu trúc mạng nơ-ron lan truyền ngược (BPNN) cải tiến với thuật toán huấn luyện tăng cường có thể khắc phục được nhược điểm tốc độ hội tụ chậm và bẫy cực tiểu cục bộ trong điều khiển thời gian thực hay không?
  • RQ3: Việc tích hợp thêm bộ nhận dạng nơ-ron (Neural Identifier) trực tuyến theo cấu trúc tín hiệu vào - ra có nâng cao chất lượng dẫn đường và giảm năng lượng bẻ lái khi có nhiễu sóng, gió phức tạp hay không?
  • H1: Một mạng nơ-ron nhiều lớp được bổ sung thuật toán huấn luyện tăng cường sẽ tối ưu hóa được sai số bám hướng đi với thời gian xác lập ngắn hơn và độ quá điều chỉnh nhỏ hơn so với PID thông thường.
  • H2: Mô hình nhận dạng nơ-ron tín hiệu vào - ra trực tuyến cung cấp độ nhạy gradient chính xác cho mạng nơ-ron điều khiển, cho phép dự báo và bù trừ sai lệch động học dưới tác động của nhiễu loạn môi trường biển ngẫu nhiên.

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa giữa Lý thuyết điều khiển PID kinh điển (Minorsky, 1922), Cơ sở tính toán nơ-ron nhân tạo (McCulloch & Pitts, 1943; Rumelhart et al., 1986), Lý thuyết điều khiển thích nghi (Widrow & Stearns, 1985) và Động lực học phi tuyến vật thể nổi 6 bậc tự do (Thor I. Fossen, 1994; SNAME, 1950). Luận án mang ý nghĩa khoa học và thực tiễn sâu sắc, trực tiếp phục vụ mục tiêu: "Xây dựng và phát triển ngành công nghiệp tàu thủy Việt Nam đến năm 2020 và định hướng phát triển đến năm 2030, nhằm đáp ứng yêu cầu phát triển kinh tế biển phù hợp với Chiến lược biển Việt Nam... phục vụ nhu cầu phát triển kinh tế - xã hội; góp phần củng cố quốc phòng, an ninh và bảo vệ chủ quyền quốc gia trên các vùng biển và hải đảo của Tổ quốc" (Trích dẫn văn bản luận án).

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy sự tiến hóa liên tục của các trường phái điều khiển học trong lĩnh vực tự động hóa hàng hải:

Trong nhiều thập kỷ, các nhà nghiên cứu đã tìm kiếm giải pháp nâng cao hiệu năng của máy lái tự động. Nhóm nghiên cứu của Ming-Chung Fang và cộng sự (2010) đã ứng dụng bộ điều khiển PID nơ-ron tự điều chỉnh gồm hai mạng nơ-ron nhiều lớp (mạng nhận dạng NN1 và mạng điều chỉnh tham số NN2) để điều khiển vây giảm lắc ngang cho tàu thủy trong sóng ngẫu nhiên. Công trình này chứng minh khả năng xấp xỉ phi tuyến xuất sắc của mạng nơ-ron nhưng lại áp dụng trên cấu trúc điều khiển gián tiếp phức tạp và tập trung vào chuyển động lắc ngang (roll) thay vì bài toán ổn định hướng đi (yaw).

Năm 2012, Xingxing Huo và cộng sự đã đề xuất bộ điều khiển PID kết hợp mạng nơ-ron lan truyền ngược (BPNN) cho bài toán điều khiển hướng đi tàu thủy có xét đến ảnh hưởng của sóng, gió và dòng chảy. Tuy nhiên, công trình của Huo bộc lộ hạn chế cố hữu: giải thuật huấn luyện mạng BPNN dựa trên phương pháp giảm gradient truyền thống (gradient descent) có tốc độ hội tụ chậm và dễ rơi vào các điểm cực tiểu cục bộ, gây trễ trong phản ứng điều khiển khi tàu đổi hướng nhanh. Cùng năm 2012, Zeyu Li và cộng sự phát triển bộ điều khiển PID dựa trên mạng nơ-ron hàm cơ sở xuyên tâm (RBF), sử dụng ma trận Jacobi để điều chỉnh $K_p, K_i, K_d$. Mặc dù RBF có tốc độ tính toán nhanh, cấu trúc phân bố tâm cơ sở xuyên tâm đòi hỏi tài nguyên tính toán lớn khi không gian trạng thái mở rộng. Đến năm 2016, Rodrigo Hernández-Alvarado và các cộng sự đã ứng dụng PID tự điều chỉnh dựa trên ANN cho phương tiện ngầm điều khiển từ xa (ROV), giúp "sai số bình phương trung bình giảm còn 50% so với BĐK PID thông thường", nhưng vẫn chưa giải quyết được bài toán cập nhật trực tuyến toàn diện cùng bộ nhận dạng động học tàu mặt nước.

Tại Việt Nam, các nghiên cứu của Nguyễn Hoàng Dũng (kết hợp Feedforward-Feedback với BPNN), Nguyễn Phùng Hưng (mạng nơ-ron thích nghi trong máy lái tự động), Nguyễn Công Vịnh (Logic mờ cho máy lái tự động), Phạm Hữu Đức Dục (Điều khiển dự báo mô hình MPC) và Nguyễn Chí Ngôn (PID-RBF cho hệ áp suất) đã tiếp cận nhiều khía cạnh của điều khiển thông minh. Tuy nhiên, khoảng trống lớn chưa được giải quyết là: Chưa có công trình nào thiết kế một bộ điều khiển PID nơ-ron thích nghi đa tầng hoàn chỉnh, vừa ứng dụng thuật toán huấn luyện tăng cường (Reinforced Training) để tăng tốc độ hội tụ cho mạng điều khiển tham số, vừa tích hợp mạng nơ-ron nhận dạng mô hình tàu phi tuyến trực tuyến theo chuỗi thời gian thực, đồng thời kiểm chứng đầy đủ bằng cả mô phỏng số 6 bậc tự do lẫn thực nghiệm mô hình vật lý trong bể thử. Luận án của Võ Hồng Hải đã định vị chính xác vào điểm giao thoa này, giải quyết trọn vẹn cả phương diện lý thuyết lẫn công nghệ triển khai.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và làm phong phú thêm Lý thuyết Điều khiển Thích nghi và Động lực học Tàu thủy thông qua các đóng góp then chốt:

  1. Tổng quát hóa luật điều khiển PID thông minh: Thiết lập cơ chế tự chỉnh định tham số thời gian thực không phụ thuộc vào tuyến tính hóa điểm làm việc. Thuật toán PID tuyến tính kinh điển: $$u(t) = K_p \left[ e(t) + \frac{1}{T_i}\int_0^t e(\tau)d\tau + T_d \frac{de(t)}{dt} \right]$$ được chuyển đổi sang miền rời rạc với các trọng số $K_p(k), K_i(k), K_d(k)$ sinh ra động từ các nút kích hoạt của mạng BPNN, tối ưu hóa hàm mục tiêu chất lượng: $$E(k) = \frac{1}{2} \left[ r_{in}(k) - y_{out}(k) \right]^2$$

  2. Phát triển thuật toán huấn luyện lan truyền ngược tăng cường (Reinforced Back-Propagation): Luận án đã tích hợp thêm thành phần quán tính và hệ số học tăng cường thích nghi vào phương trình cập nhật trọng số liên kết: $$\Delta w_{ji}(k) = -\eta \frac{\partial E}{\partial w_{ji}} + \alpha \Delta w_{ji}(k-1)$$ giúp triệt tiêu hiện tượng dao động quanh cực tiểu, tăng tốc độ hội tụ lên nhiều lần so với thuật toán hạ dốc cổ điển (gradient descent).

  3. Thiết lập mô hình nhận dạng nơ-ron song song và chuỗi song song: Xây dựng mạng nơ-ron nhận dạng NN2 song hành với mạng điều khiển NN1. Mạng NN2 ánh xạ quan hệ vào - ra phi tuyến: $$\hat{y}(k) = f\big(y(k-1), y(k-2), \dots, u(k-1), u(k-2), \dots\big)$$ đảm bảo cung cấp đạo hàm riêng $\frac{\partial y}{\partial u}$ chính xác cho quá trình lan truyền ngược của bộ điều khiển nơ-ron NN1 mà không cần biết trước ma trận thủy động lực học của tàu.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp chặt chẽ 3 trụ cột lý thuyết:

  • Lý thuyết Động học và Động lực học Tàu thủy 6 bậc tự do: Dựa trên hệ tọa độ quy chiếu chuẩn của Hiệp hội Kiến trúc sư Hải quân và Kỹ sư Hàng hải Hoa Kỳ (SNAME, 1950) bao gồm hệ tọa độ quán tính địa tâm (ECI), hệ tọa độ cố định Trái Đất (ECEF), hệ tọa độ mặt phẳng tiếp xúc Bắc - Đông - Dưới (NED) và hệ tọa độ gắn liền với thân tàu (BODY).
  • Phương trình chuyển động Fossen (1994): $$M_{RB}\dot{\nu} + C_{RB}(\nu)\nu = \tau_{RB}$$ kết hợp đầy đủ ma trận khối lượng quán tính vật rắn $M_{RB}$, ma trận Coriolis và lực hướng tâm $C_{RB}(\nu)$, lực thủy động $H$, lực phục hồi và mô-men ngoại cảnh ngẫu nhiên $\tau_{wind, wave}$.
  • Lý thuyết Xấp xỉ Phổ quát của Mạng Nơ-ron: Sử dụng các hàm kích hoạt Sigmoid và Tang-Sigmoid phi tuyến: $$g(x) = \frac{1}{1 + e^{-x}}, \quad g(x) = \frac{1 - e^{-x}}{1 + e^{-x}}$$ đảm bảo mạng nơ-ron có thể xấp xỉ bất kỳ hàm phi tuyến liên tục nào với độ chính xác tùy ý.

Điều kiện biên (Boundary Conditions): Hệ thống được giới hạn trong phạm vi góc bẻ lái bánh lái tối đa $|\delta| \le 35^\circ$, tốc độ bẻ lái $|\dot{\delta}| \le 5^\circ/\text{s}$, vận tốc tàu trong dải hành trình định mức, và điều kiện biển tác động từ cấp 3 đến cấp 6 theo thang Beaufort.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (Positivism) kết hợp phương pháp nghiên cứu kỹ thuật thực nghiệm nghiêm ngặt, tích hợp mô hình hóa giải tích, mô phỏng số học chuyên sâu và thử nghiệm mô hình vật lý thu nhỏ.

Quy trình nghiên cứu rigorous

  1. Mô hình hóa toán học tàu hàng tiêu chuẩn quốc tế: Sử dụng mô hình toán học của tàu hàng Mariner Class Vessel có các thông số thủy động chuẩn:

    • Chiều dài thiết kế: $L = 160.93\text{ m}$
    • Chiều rộng: $B = 23.17\text{ m}$
    • Mớn nước: $T = 7.47\text{ m}$
    • Thể tích lượng chiếm nước: $\nabla = 16,622\text{ m}^3$
    • Vận tốc hành trình: $V = 15\text{ hải lý/giờ}$ ($7.72\text{ m/s}$)

  2. Mô hình hóa nhiễu loạn môi trường:

    • Nhiễu gió: Được mô hình hóa qua vận tốc gió tương đối $V_r$ và góc hướng gió tương đối $\gamma_r$, sinh ra lực dọc trục $X_{wind}$, lực ngang $Y_{wind}$ và mô-men quay trở $N_{wind}$ theo các hệ số khí động Isherwood.
    • Nhiễu sóng và dòng chảy: Được tích hợp dưới dạng phổ sóng ngẫu nhiên năng lượng cao (Pierson-Moskowitz/JONSWAP) tác động trực tiếp lên phương trình chuyển động góc hướng $\psi$ và vận tốc quay trở $r$.

  3. Giao thức thu thập và xử lý dữ liệu: Dữ liệu góc mũi tàu $\psi(t)$, góc bẻ lái $\delta(t)$, sai số $e_\psi(t)$, vận tốc góc $r(t)$ được trích xuất và lấy mẫu ở tần số cao với bộ giải phương trình vi phân Runge-Kutta bậc 4 trong phần mềm MATLAB. Độ tin cậy của thuật toán được bảo đảm qua việc lặp lại các kịch bản đổi hướng bước nhảy ($10^\circ, 20^\circ, 30^\circ$) và bám quỹ đạo đa điểm ngoặc (Waypoint Tracking).

Data và phân tích

Đánh giá hiệu năng điều khiển được lượng hóa thông qua hai chỉ số hàm mục tiêu tích phân toàn phần:

  • Tổng bình phương độ lệch hướng: $$J_\psi = \sum_{k=1}^N e_\psi^2(k) = \sum_{k=1}^N \big(\psi_{ref}(k) - \psi(k)\big)^2$$
  • Tổng bình phương góc bẻ lái (Năng lượng tiêu hao cơ cấu lái): $$J_\delta = \sum_{k=1}^N \delta^2(k)$$

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả mô phỏng và thực nghiệm trong luận án đã đem lại những phát hiện đột phá, được minh chứng bằng các số liệu thống kê rõ ràng:

                                    HIỆU NĂNG ĐIỀU KHIỂN
                     (So sánh trong điều kiện nhiễu gió và sóng tác động)
  1. Khả năng tự thích nghi tối ưu của bộ thông số: Mạng BPNN tăng cường đã tự động tái cấu trúc và cập nhật liên tục các trọng số $K_p, K_i, K_d$ phù hợp với từng giai đoạn cơ động. Trong giai đoạn bắt đầu chuyển hướng, $K_p$ và $K_d$ tăng nhanh để sinh ra mô-men bẻ lái lớn giúp tàu đổi hướng dứt khoát; khi tiến gần hướng đặt, $K_i$ tăng nhẹ và $K_d$ hãm chuyển động, triệt tiêu hoàn toàn độ quá điều chỉnh ($M_p \approx 0%$).
  2. Khắc phục triệt để hiện tượng trễ pha do nhiễu môi trường: Dưới tác động đồng thời của gió giật và sóng lớn, bộ điều khiển PID-BPNN có bộ nhận dạng NN2 cho thấy khả năng triệt tiêu góc lệch trôi (drift angle) nhanh gấp 2.5 lần so với bộ điều khiển PID truyền thống. Bảng số liệu mô phỏng 3.2 và 3.4 trong luận án xác nhận tổng bình phương độ lệch hướng $\sum e_\psi^2$ giảm sâu rõ rệt, chứng minh tính bền vững vượt trội của hệ thống.
  3. Hiện tượng phi trực giác về năng lượng lái: Thông thường, để giảm sai số bám hướng trong điều kiện sóng gió, cơ cấu lái phải hoạt động liên tục với tần số cao (hiện tượng rudder chattering). Tuy nhiên, nhờ khả năng lọc và xấp xỉ trơn của mạng nơ-ron nhận dạng NN2, tổng bình phương góc bẻ lái $\sum \delta^2$ không những không tăng mà còn giảm đáng kể, giúp bảo vệ hệ thống thủy lực máy lái và giảm lực cản vỏ tàu.
  4. Kiểm chứng thành công trên mô hình thực nghiệm: Thử nghiệm tại bể thử Trường Đại học Giao thông Vận tải TP.HCM trên mô hình tàu thu nhỏ bám quỹ đạo định sẵn xác nhận thuật toán hoạt động ổn định trong thời gian thực, sai số góc mũi tàu luôn duy trì trong dải dung sai cho phép, không xảy ra hiện tượng phân kỳ hay bão hòa tích phân (integrator windup).

Implications đa chiều

  • Về mặt lý thuyết: Luận án chứng minh tính đúng đắn của việc kết hợp cấu trúc điều khiển phản hồi PID cổ điển với trí tuệ nhân tạo thích nghi trực tuyến, tạo tiền đề lý thuyết vững chắc cho các nghiên cứu điều khiển học trong hệ phi tuyến bất định.
  • Về mặt phương pháp luận: Phương pháp nhận dạng song song tín hiệu vào - ra trực tuyến có thể chuyển giao và ứng dụng trực tiếp cho các phương tiện không người lái trên mặt nước (USV), tàu lặn tự hành (AUV) và robot công nghiệp.
  • Về ứng dụng thực tiễn: Cho phép các nhà sản xuất thiết bị hàng hải nâng cấp phần mềm điều khiển trên các hệ thống máy lái tự động hiện hữu mà không cần thay đổi phần cứng cơ khí phức tạp, giúp tiết kiệm 3 - 5% nhiên liệu tiêu thụ nhờ giảm thiểu lực cản do lắc mũi và bẻ lái thừa.
  • Về chính sách ngành: Đóng góp luận cứ khoa học cho lộ trình phát triển Tàu mặt nước tự hành hàng hải (Maritime Autonomous Surface Ships - MASS) của Cục Hàng hải Việt Nam và Tổ chức Hàng hải Quốc tế (IMO).

Limitations và Future Research

Mặc dù đạt được những đóng góp nổi bật, luận án cũng chỉ ra các giới hạn nghiên cứu cần tiếp tục hoàn thiện:

  1. Hiệu ứng tỷ lệ mô hình (Scale Effects): Các thử nghiệm thực nghiệm mới thực hiện trên mô hình tàu thu nhỏ trong bể thử nước tĩnh và sóng nhân tạo hạn chế; cần có các đợt thử nghiệm thực tế (Full-scale Sea Trials) trên tàu hàng siêu trường, siêu trọng trên biển hở để kiểm chứng đầy đủ các hiệu ứng khí thực và dòng chảy phức tạp.
  2. Hiện tượng trễ cơ cấu chấp hành bậc cao: Mô hình toán học máy lái giả định hàm truyền bậc nhất có bão hòa; chưa xét đến đặc tính trễ phi tuyến cơ học sâu của hệ thống van phân phối và piston thủy lực khi vận hành trong thời gian dài.
  3. Giới hạn bậc tự do: Nghiên cứu tập trung giải quyết triệt để 3 bậc tự do trên mặt phẳng ngang (Surge, Sway, Yaw); chưa mở rộng bài toán điều khiển kết hợp đồng thời 4 bậc tự do có tính đến chuyển động lắc ngang (Coupled Roll-Yaw Steering).

Chương trình nghiên cứu tương lai (5 hướng cụ thể):

  • Hướng 1: Tích hợp thuật toán Học sâu tăng cường (Deep Reinforcement Learning - DRL) để tối ưu hóa quỹ đạo chuyển hướng trong điều kiện tránh va theo Quy tắc quốc tế phòng ngừa đâm va tàu thuyền trên biển (COLREGs).
  • Hướng 2: Mở rộng sang hệ thống điều khiển đa biến MIMO điều khiển phối hợp giữa góc bẻ lái bánh lái và hệ thống vây giảm lắc (Rudder-Fin Stabilization).
  • Hướng 3: Ứng dụng mạng nơ-ron mờ thích nghi tương tác (Adaptive Neuro-Fuzzy Inference System - ANFIS) để xử lý các phát biểu kinh nghiệm của sĩ quan hoa tiêu vào luật điều khiển.
  • Hướng 4: Triển khai thuật toán trên chip xử lý nhúng chuyên dụng (DSP/FPGA) với kiến trúc tính toán song song phần cứng nhằm tối ưu hóa thời gian xử lý thời gian thực.
  • Hướng 5: Nghiên cứu tích hợp hệ thống định vị động (Dynamic Positioning - DP) cho tàu công trình dầu khí dựa trên cấu trúc PID nơ-ron thích nghi đề xuất.

Tác động và ảnh hưởng

                                    MA TRẬN LAN TỎA TÁC ĐỘNG

Công trình của NCS. Võ Hồng Hải đã tạo ra một bước tiến quan trọng trong lĩnh vực Tự động hóa Hàng hải tại Việt Nam. Về mặt kinh tế và môi trường, việc giảm thiểu góc bẻ lái thừa và duy trì chính xác hướng đi giúp đội tàu vận tải biển quốc gia tối ưu hóa hải trình, giảm đáng kể lượng tiêu hao nhiên liệu và khí phát thải, đáp ứng các tiêu chuẩn khắt khe về Chỉ số Hiệu quả Năng lượng Tàu hiện có (EEXI) và Chỉ số Cường độ Carbon (CII) của IMO.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên ngành Điều khiển tự động / Khoa học Hàng hải: Tiếp cận một tài liệu tham khảo học thuật chuẩn mực, chi tiết từ mô hình hóa động lực học 6 bậc tự do (Fossen, SNAME) đến thuật toán nơ-ron thích nghi tăng cường.
  • Kỹ sư R&D tại các Viện nghiên cứu và Nhà máy đóng tàu: Nắm bắt thuật toán khả thi để thiết kế, chế tạo các dòng máy lái tự động thế hệ mới tích hợp AI.
  • Các công ty vận tải biển và chủ tàu: Sở hữu giải pháp nâng cấp hệ thống điều khiển nhằm nâng cao tính an toàn hành hải trong thời tiết xấu và tối ưu hóa chi phí vận hành.
  • Cơ quan quản lý nhà nước (Bộ Giao thông Vận tải, Cục Hàng hải Việt Nam): Có thêm căn cứ khoa học để hoàn thiện quy chuẩn kỹ thuật cho hệ thống điều khiển phương tiện thủy tự hành trong tương lai.

Câu hỏi chuyên sâu

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

Trả lời: Đóng góp lý thuyết độc đáo nhất là việc mở rộng Lý thuyết Điều khiển PID cổ điển của Nicolas Minorsky (1922) và Lý thuyết Động lực học Tàu thủy của Thor I. Fossen (1994) thông qua việc thiết lập giải thuật tổng hợp tham số trực tuyến bằng Mạng nơ-ron lan truyền ngược tăng cường (Reinforced BPNN) kết hợp Bộ nhận dạng nơ-ron tín hiệu vào - ra (NN2). Sự kết hợp này biến bộ điều khiển tuyến tính truyền thống thành hệ thống thích nghi thông minh có khả năng dự đoán và thích ứng với đặc tính phi tuyến biến đổi theo thời gian thực mà không cần biết chính xác mô hình toán học giải tích của con tàu.

2. Phương pháp nghiên cứu có cải tiến gì so với các công trình quốc tế tiêu biểu?

Trả lời: So với công trình của Xingxing Huo et al. (2012) vốn dùng giải thuật hạ dốc chuẩn dễ bị trễ hội tụ, luận án đã cải tiến thuật toán học lan truyền ngược với hệ số tăng cường giúp tăng tốc độ điều chỉnh tham số. So với nghiên cứu của Ming-Chung Fang et al. (2010) sử dụng điều khiển gián tiếp phức tạp cho giảm lắc, luận án tối ưu hóa cấu trúc nhận dạng trực tuyến song song/chuỗi song song gọn nhẹ hơn, trực tiếp phục vụ bộ điều khiển hướng đi và đã được thực nghiệm thành công trên mô hình vật lý thực tế.

3. Phát hiện nào trong kết quả nghiên cứu là đáng ngạc nhiên nhất?

Trả lời: Phát hiện đáng ngạc nhiên nhất là nghịch lý giữa độ chính xác điều khiển và năng lượng bẻ lái: Thông thường, việc ép sai số hướng đi $\sum e_\psi^2$ giảm mạnh trong điều kiện sóng gió cấp 6 sẽ khiến bánh lái phải hoạt động liên tục với tần số cao, gây hao mòn cơ khí nghiêm trọng. Tuy nhiên, thuật toán PID-BPNN có bộ nhận dạng nơ-ron NN2 của luận án lại giúp tổng bình phương góc bẻ lái $\sum \delta^2$ giảm xuống, góc lái biến thiên rất êm và mượt. Điều này chứng minh mạng nơ-ron đã học được đặc tính động học của sóng và lọc bỏ các dao động tần số cao, chỉ phản ứng với các thành phần dạt hướng tần số thấp.

4. Luận án có cung cấp đầy đủ giao thức để tái lập nghiên cứu (Replication Protocol) không?

Trả lời: Luận án cung cấp đầy đủ và minh bạch toàn bộ hệ thống phương trình vi phân động học 6 bậc tự do, ma trận chuyển đổi tọa độ Euler, hệ số thủy động lực học chuẩn của tàu hàng Mariner Class, phương trình lực gió Isherwood, cấu trúc mạng nơ-ron (số lớp, số nút, hàm kích hoạt Sigmoid/Tan-Sigmoid) và sơ đồ khối thuật toán. Các nhà nghiên cứu hoàn toàn có thể tái lập chính xác các kết quả mô phỏng trên nền tảng MATLAB/Simulink cũng như thiết lập thí nghiệm tương đương.

5. Lộ trình nghiên cứu 10 năm tiếp theo từ nền tảng luận án được định hình ra sao?

Trả lời: Lộ trình 10 năm mở rộng từ luận án bao gồm: (1) Giai đoạn 1-3 năm: Thử nghiệm thực tế trên tàu biển thương mại và tích hợp chip nhúng phần cứng AI; (2) Giai đoạn 3-6 năm: Phát triển hệ thống điều khiển tích hợp đa biến 4 bậc tự do (Roll-Yaw-Sway-Surge); (3) Giai đoạn 6-10 năm: Xây dựng hệ thống điều khiển tự hành toàn diện cho tàu không người lái (MASS cấp độ 4) kết hợp trí tuệ nhân tạo nhận dạng hình ảnh và tự động tránh va theo luật COLREGs.

Kết luận

  1. Hoàn thiện cơ sở lý luận khoa học: Luận án đã phát triển thành công hệ thống lý thuyết kết hợp giữa bộ điều khiển PID kinh điển và mạng nơ-ron nhân tạo lan truyền ngược thích nghi, đóng góp một giải pháp điều khiển tiên tiến cho ngành Khoa học Hàng hải Việt Nam và quốc tế.
  2. Đột phá thuật toán huấn luyện tăng cường: Đề xuất và ứng dụng thành công thuật toán lan truyền ngược tăng cường, giải quyết dứt điểm bài toán tốc độ hội tụ chậm và bẫy cực tiểu cục bộ của mạng nơ-ron trong các ứng dụng điều khiển thời gian thực.
  3. Sáng tạo cấu trúc nhận dạng trực tuyến: Thiết kế bộ nhận dạng mô hình tàu thủy phi tuyến NN2 theo phương pháp tín hiệu vào - ra, giúp hệ thống có khả năng điều khiển dự báo và bám bắt chính xác tham số thủy động lực học biến đổi của con tàu.
  4. Kiểm chứng toàn diện và tin cậy: Kết quả mô phỏng trên mô hình tàu hàng tiêu chuẩn Mariner và thực nghiệm thực tế tại bể thử Trường Đại học Giao thông Vận tải TP.HCM khẳng định tính vượt trội của bộ điều khiển đề xuất: triệt tiêu độ quá điều chỉnh, giảm trên 60% tổng bình phương sai số lệch hướng và giảm năng lượng bẻ lái so với PID truyền thống.
  5. Mở ra các hướng nghiên cứu mới: Tạo tiền đề vững chắc cho các nghiên cứu chuyên sâu về tàu mặt nước tự hành không người lái (USV), hệ thống định vị động (DP) và vây giảm lắc thông minh.
  6. Giá trị ứng dụng thực tiễn lâu dài: Góp phần quan trọng vào tiến trình hiện đại hóa nền công nghiệp đóng tàu và vận tải biển Việt Nam trong kỷ nguyên Cách mạng Công nghiệp 4.0, hiện thực hóa mục tiêu chiến lược phát triển bền vững kinh tế biển quốc gia.