So Sánh Các Phương Pháp Điều Khiển Tuyến Tính Và Thông Minh Cho Hệ Bóng Thanh Trục Giữa: Tiếp Cận Mô Phỏng Và Thực Nghiệm

Tóm tắt nghiên cứu (200-250 từ)

Nghiên cứu này giải quyết câu hỏi cốt lõi: Đặc tính động học, chất lượng đáp ứng quá độ và độ chính xác xác lập của bộ điều khiển tối ưu tuyến tính (LQR) và bộ điều khiển thông minh mờ (Fuzzy Logic) khác biệt như thế nào khi áp dụng trên cùng một hệ cơ điện phi tuyến kinh điển – Hệ bóng và thanh trục giữa (Ball and Beam - B&B)?

Phương pháp luận được triển khai thông qua việc xây dựng mô hình toán học giải tích Euler-Lagrange cho hệ B&B kết hợp động cơ DC Servo, mô phỏng số trên môi trường MATLAB/Simulink, và thẩm định thực nghiệm trên mô hình vật lý chế tạo bằng vi điều khiển ARM Cortex-M4 (STM32F407VG). Điểm nhấn kỹ thuật nằm ở việc giải quyết vấn đề bùng nổ số luật mờ (Curse of Dimensionality) với 4 biến trạng thái vào bằng cách ứng dụng công cụ Neuro-Fuzzy Designer (ANFIS) để "học" từ không gian dữ liệu của bộ điều khiển LQR.

Kết quả thực nghiệm chỉ ra rằng cả hai giải thuật đều ổn định thành công hệ thống. Bộ điều khiển LQR mang lại độ chính xác xác lập vượt trội với sai số vị trí viên bi chỉ $|0,9\text{ cm}|$ và triệt tiêu hoàn toàn góc nghiêng thanh dầm ($0^\circ$). Ngược lại, bộ điều khiển Fuzzy cho đáp ứng quá độ mượt mà hơn, ít dao động giật cục nhưng sai số vị trí dừng ở mức $|2\text{ cm}|$. Nghiên cứu cung cấp một tài liệu đối sánh quy chuẩn, đồng thời chuyển giao thiết kế phần cứng chi phí thấp phục vụ công tác đào tạo và nghiên cứu kỹ thuật điều khiển tự động.

Bối cảnh và tầm quan trọng (300-350 từ)

Hệ thống Bóng và Thanh (Ball and Beam - B&B) là một trong những đối tượng thực nghiệm kinh điển bậc nhất trong lý thuyết điều khiển tự động. Đây là hệ thống thiếu cơ cấu chấp hành (underactuated), phi tuyến mạnh, có một tín hiệu vào (điện áp/moment động cơ) nhưng sở hữu đến bốn biến trạng thái ngõ ra (vị trí bi, vận tốc bi, góc nghiêng thanh, vận tốc góc). Các đặc tính vật lý của hệ B&B là nền tảng trực tiếp để phát triển các cơ cấu tự cân bằng hiện đại như: bệ cân bằng phóng tên lửa, hệ thống chống rung lắc máy bay theo phương ngang, xe hai bánh tự cân bằng (Segway), và cân bằng ổn định thân xe ô tô trong Công nghiệp 4.0.

[!NOTE] Mặc dù hệ B&B đã được nghiên cứu từ lâu, phần lớn các công trình học thuật trước đây thường chỉ khảo sát riêng rẽ từng thuật toán (hoặc thuần PID, LQR, hoặc thuần Fuzzy/Sliding Mode) trên các mô hình toán học có giả thiết khác biệt (ví dụ: một số bỏ qua ma sát, một số xem ngõ vào là moment lý thuyết thay vì điện áp điều khiển thực tế). Sự thiếu đồng nhất này tạo ra một khoảng trống nghiên cứu (research gap) lớn: Chưa có công trình đối sánh trực diện hiệu năng giữa bộ điều khiển tối ưu tuyến tính và điều khiển thông minh trên cùng một hệ quy chiếu toán học và cùng một nền tảng phần cứng thực tế.

Nghiên cứu của nhóm tác giả tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) mang tính thời sự cao khi thiết lập một framework chuẩn hóa từ phương trình vi phân đến giải thuật nhúng trên chip 32-bit. Công trình giải quyết bài toán đào tạo thực nghiệm với chi phí tối ưu, tạo điều kiện cho sinh viên, học viên cao học và nghiên cứu sinh tiếp cận các phương pháp điều khiển tiên tiến mà không bị rào cản bởi thiết bị đắt tiền từ các hãng thương mại.

Methodology và approach (350-400 từ)

Nghiên cứu ứng dụng quy trình tiếp cận tuần tự gồm 4 giai đoạn chặt chẽ:

1. Xây dựng mô hình toán học giải tích

Áp dụng phương pháp Euler-Lagrange để thiết lập phương trình động lực học phi tuyến cho hệ B&B trục giữa, có tính đến động năng chuyển động tịnh tiến và lăn tròn của quả cầu thép, động năng quay của thanh beam quanh trục động cơ, và phương trình điện - cơ của động cơ DC Servo:

$$L = K - U$$

Trong đó, phương trình điện áp stator động cơ xét đến hằng số phản điện $K_e$ và điện trở phần ứng $R_m$:

$$V = R_m \cdot I + K_e \cdot \dot{\theta}$$

Hệ thống được tuyến tính hóa quanh điểm cân bằng tĩnh để đưa về không gian trạng thái 4 chiều $\mathbf{x} = [x, \dot{x}, \theta, \dot{\theta}]^T$.

2. Thiết kế giải thuật điều khiển

  • Bộ điều khiển tối ưu LQR (Linear Quadratic Regulator): Tín hiệu điều khiển $u(t) = -\mathbf{K}\mathbf{x}$ được tính toán thông qua giải phương trình vi sai ma trận Riccati nhằm tối thiểu hóa chỉ tiêu chất lượng toàn phương giữa sai lệch trạng thái và năng lượng điều khiển tiêu hao.
  • Bộ điều khiển thông minh Fuzzy (Logic mờ): Với 4 biến ngõ vào, nếu thiết lập mờ hóa thông thường với $n=5$ tập mờ/ngõ vào, hệ thống sẽ bùng nổ đến $5^4 = 625$ luật mờ (hoặc $6^4 = 1296$ luật khi $n=6$). Để giải quyết thách thức này, nhóm nghiên cứu đã thu thập tập dữ liệu trạng thái ngẫu nhiên (randomized inputs bounded by saturation blocks) từ bộ điều khiển LQR ổn định, sau đó dùng công cụ Neuro-Fuzzy Designer (ANFIS) để huấn luyện và tự động trích xuất tập luật mờ tối ưu.

3. Thiết kế phần cứng và lập trình nhúng

Hệ thống thực nghiệm được tự gia công cơ khí chính xác bằng vật liệu Mica. Cấu trúc phần cứng gồm:

  • Khối xử lý trung tâm: Kit STM32F407 Discovery (ARM Cortex-M4 32-bit).
  • Cảm biến vị trí bi: Dây điện trở quấn dạng lò xo dọc theo máng trượt, chuyển đổi vị trí tiếp xúc của bi thép thành điện áp Analog tuyến tính (đọc qua chân ADC PA5).
  • Cảm biến góc dầm: Optical Encoder 200 ppr tích hợp trên trục động cơ (xử lý ngắt kênh A/B qua PA8, PA9).
  • Cơ cấu chấp hành: Động cơ DC Servo 24V điều khiển qua cầu H H216 V2 nhận xung PWM (PD12) và chân chọn chiều (PD13).
  • Môi trường nhúng: Sử dụng thư viện Waijung Blockset cho phép biên dịch trực tiếp sơ đồ khối Simulink thành mã C tối ưu nạp vào STM32F4.

Phát hiện chính (400-450 từ)

Quá trình mô phỏng và chạy thực nghiệm trên mô hình B&B thực tế đem lại các phát hiện quan trọng:

+-------------------------------------------------------------------------------+
|                       BẢNG ĐỐI SÁNH HIỆU NĂNG THỰC NGHIỆM                    |
+--------------------------+------------------------+---------------------------+
| TIÊU CHÍ ĐÁNH GIÁ        | BỘ ĐIỀU KHIỂN LQR      | BỘ ĐIỀU KHIỂN FUZZY (ANFIS)|
+--------------------------+------------------------+---------------------------+
| Sai số xác lập vị trí bi | |0,9| cm (~0,009 m)    | |2,0| cm (~0,02 m)        |
| Sai số góc dầm tĩnh      | Xấp xỉ 0°              | ~2°                       |
| Đặc tính đáp ứng quá độ  | Dao động mạnh ban đầu  | Dao động êm, chuyển tiếp mượt|
| Năng lượng điều khiển    | Thay đổi cực tính gấp  | Điều hòa xung PWM êm thuận|
| Độ phức tạp tính toán    | Rất thấp (Nhân ma trận)| Trung bình (Suy luận mờ)  |
+--------------------------+------------------------+---------------------------+

1. LQR chiếm ưu thế tuyệt đối về độ chính xác xác lập

Trong mô phỏng 50 giây, cả hai thuật toán đều đưa hệ về trạng thái cân bằng tuyệt đối $[0, 0, 0, 0]$. Tuy nhiên, ở môi trường thực tế tồn tại ma sát khô và độ trễ cơ cấu chấp hành:

  • Bộ điều khiển LQR kéo viên bi từ vị trí $-3\text{ cm}$ về điểm cân bằng với sai số xác lập chỉ $|0,9\text{ cm}|$, đồng thời góc nghiêng thanh beam giữ mức triệt tiêu hoàn hảo ($0^\circ$).
  • Điều này chứng minh ma trận trọng số $\mathbf{Q}$ và $\mathbf{R}$ của LQR tính toán chính xác bù sai lệch trạng thái động học tuyến tính hóa.

2. Fuzzy vượt trội về độ mượt mà trong giai đoạn quá độ

Mặc dù LQR cho sai số xác lập nhỏ, ngõ ra quá độ của nó xuất hiện dao động biên độ lớn và giật cục ở các giây đầu tiên do tín hiệu điều khiển tác động mạnh để triệt tiêu sai số. Ngược lại, bộ điều khiển Fuzzy tạo ra đáp ứng chuyển tiếp mềm mại, ít giật động cơ và hiện tượng vọt lố giảm đáng kể.

3. Đột phá trong kỹ thuật "Nhân bản bộ điều khiển" (Controller Cloning)

Việc sử dụng mạng Neuro-Fuzzy để học dữ liệu từ LQR đã chứng minh tính hiệu quả vượt trội. Thuật toán Fuzzy sao chép thành công hành vi ổn định của LQR mà không cần chuyên gia con người phải tinh chỉnh bằng tay 625 luật mờ. Đây là giải pháp giải quyết triệt để rào cản độ phức tạp tính toán trên các hệ SIMO/MIMO bậc cao.

4. Bộc lộ sai lệch giữa mô phỏng lý thuyết và phần cứng thực

Trong mô phỏng Simulink, đáp ứng của LQR và Fuzzy gần như trùng khớp 100% vì hệ thống được giả lập thuần túy toán học. Nhưng trên thực nghiệm, Fuzzy có sai số xác lập vị trí lên tới $2\text{ cm}$ và góc dầm lệch $2^\circ$. Nguyên nhân do quá trình giải mờ và độ phân giải tập mờ ANFIS chưa bao phủ hết các phi tuyến vùng chết (deadzone) và hiện tượng trượt cơ học giữa bi và dây điện trở.

Đóng góp khoa học (250-300 từ)

Nghiên cứu mang lại những đóng góp rõ nét trên cả ba khía cạnh lý thuyết, kỹ thuật và đào tạo:

  • Đóng góp phương pháp luận (Methodological Innovation): Đề xuất thành công quy trình kết hợp LQR và Neuro-Fuzzy Designer. Phương pháp này đóng vai trò như một cây cầu chuyển giao tri thức từ các bộ điều khiển giải tích cổ điển sang cấu trúc thông minh mờ thích nghi, giải quyết triệt để vấn đề "bùng nổ số chiều tập luật".
  • Đóng góp kỹ thuật thực nghiệm (Practical & Hardware Contribution): Hoàn thiện thiết kế phần cứng hệ B&B trục giữa chi phí thấp: tích hợp cảm biến vị trí bi bằng dây lò xo biến trở tuyến tính và vi điều khiển ARM Cortex-M4 nạp mã tự động qua Waijung Blockset. Thiết kế này có thể nhân rộng dễ dàng tại các phòng thí nghiệm đại học.
  • Công bố khoa học quốc tế: Kết quả nghiên cứu đã được công bố chính thức trên tạp chí chuyên ngành quốc tế: International Journal of Robotica & Management (ISSN: 1453-2069 / e-ISSN: 2359-9855), khẳng định tính mới và giá trị học thuật của đề tài sinh viên nghiên cứu khoa học.

Đối tượng quan tâm (200-250 từ)

  • Giảng viên và Sinh viên khối ngành Tự động hóa / Cơ điện tử: Sử dụng tài liệu làm bài giảng chuyên đề, tài liệu tham khảo cho môn học Lý thuyết điều khiển tự động, Điều khiển hiện đại, và Điều khiển thông minh, hỗ trợ thực hành lập trình nhúng Simulink với họ vi điều khiển STM32.
  • Học viên Cao học & Nghiên cứu sinh (HVCH / NCS): Sử dụng mô hình toán học và bộ thông số phần cứng được chuẩn hóa trong đề tài làm nền tảng thử nghiệm (Benchmark Platform) để đối sánh các thuật toán điều khiển phi tuyến nâng cao khác như: Điều khiển cuốn chiếu (Backstepping), Điều khiển trượt thích nghi (Adaptive SMC), hay Học tăng cường sâu (Deep Reinforcement Learning).
  • Kỹ sư R&D trong công nghiệp Robot & Tự hành: Vận dụng nguyên lý điều khiển cân bằng động học cho các cơ cấu Gimbal chống rung camera, robot thăng bằng hai bánh, và hệ thống ổn định phương tiện hàng hải.

FAQ (250-300 từ)

1. Phát hiện quan trọng nhất của nghiên cứu là gì?

Phát hiện quan trọng nhất là LQR cho độ chính xác xác lập cao hơn rõ rệt trên thực tế (sai số $0,9\text{ cm}$ so với $2\text{ cm}$ của Fuzzy), nhưng Fuzzy lại vượt trội về tính êm dịu trong giai đoạn quá độ. Đồng thời, kỹ thuật Neuro-Fuzzy hoàn toàn có thể thay thế chuyên gia trong việc thiết lập hàng trăm luật mờ cho hệ 4 ngõ vào.

2. Điểm độc đáo trong phương pháp nghiên cứu này là gì?

Điểm độc đáo là việc sử dụng kỹ thuật "học có giám sát" thông qua Neuro-Fuzzy Designer: dùng dữ liệu trạng thái ngẫu nhiên của bộ điều khiển LQR đã ổn định để sinh tự động hệ luật mờ, kết hợp với công cụ nhúng Waijung nạp trực tiếp thuật toán từ Simulink xuống chip STM32F407.

3. Kết quả của nghiên cứu có thể tổng quát hóa (Generalize) không?

Hoàn toàn có thể. Quy trình thiết kế mô hình hóa Euler-Lagrange và cấu trúc Neuro-Fuzzy trong đề tài có thể áp dụng trực tiếp cho các hệ underactuated phi tuyến khác như hệ con lắc ngược (Inverted Pendulum), xe tự cân bằng (Self-balancing robot), hay hệ bóng đĩa (Ball and Plate).

4. Hướng phát triển tiếp theo của đề tài là gì?

Các bước tiếp theo bao gồm: (1) Nhận dạng tham số thực nghiệm động cơ DC trực tuyến; (2) Tích hợp thuật toán điều khiển thích nghi / trượt (SMC) để khử sai số tĩnh $2\text{ cm}$ của Fuzzy; (3) Nâng cấp cảm biến vị trí quang học (Time-of-Flight/Camera) thay cho dây điện trở để loại bỏ ma sát cơ học.

5. Ứng dụng thực tiễn của hệ B&B là gì?

Hệ B&B mô phỏng trực quan cơ chế cân bằng tên lửa giai đoạn phóng, hệ thống ổn định cánh máy bay, cơ cấu chống lắc cần cẩu trục cảng biển, và hệ thống treo chủ động trên xe hơi.

Kết luận (150 từ)

Đề tài nghiên cứu khoa học "So sánh các phương pháp điều khiển tuyến tính/thông minh trong trường hợp hệ bóng thanh trục giữa: Mô phỏng và thực nghiệm" đã thực hiện trọn vẹn chu trình từ mô hình hóa lý thuyết đến kiểm chứng phần cứng thực tế. Bằng việc chứng minh ưu thế xác lập của LQR và sự êm ái của Fuzzy qua Neuro-Fuzzy Designer trên nền tảng chip STM32F407, nghiên cứu đã lấp đầy khoảng trống đối sánh thực nghiệm trong lĩnh vực tự động hóa trong nước. Mô hình phần cứng tự chế tạo chi phí thấp này mở ra hướng tiếp cận chuẩn mực, sẵn sàng nhân rộng thành các kit thí nghiệm thực hành hiện đại cho các trường đại học kỹ thuật.