Nghiên cứu so sánh phương pháp điều khiển tuyến tính (LQR) và điều khiển thông minh (Fuzzy) trên hệ bóng thanh trục giữa: Mô phỏng và Thực nghiệm

Tóm tắt nghiên cứu (Research Summary)

  • Câu hỏi nghiên cứu chính: Hiệu năng điều khiển, độ chính xác xác lập và khả năng đáp ứng thực tế giữa phương pháp điều khiển tối ưu tuyến tính (LQR) và phương pháp điều khiển thông minh (Fuzzy Logic) khác biệt như thế nào khi cùng áp dụng trên hệ thống cơ điện tử phi tuyến - bất ổn định cao: Hệ bóng và thanh trục giữa (Center-pivot Ball and Beam)?
  • Tổng quan phương pháp luận (Methodology Snapshot): Đề tài thiết lập mô hình toán học giải tích thông qua phương trình Euler-Lagrange, tuyến tính hóa hệ thống quanh điểm cân bằng để xây dựng bộ điều khiển tối ưu LQR. Nhằm khắc phục tình trạng bùng nổ số lượng luật mờ (Rule Explosion) của hệ thống 4 biến trạng thái, nhóm tác giả ứng dụng công cụ Neuro-Fuzzy Designer (ANFIS) để tự động học và sinh bộ luật Fuzzy từ tập dữ liệu trạng thái của LQR. Toàn bộ giải thuật được mô phỏng trên MATLAB/Simulink và kiểm chứng thực nghiệm trên mô hình phần cứng sử dụng vi điều khiển STM32F407VG kết hợp thư viện Waijung Blockset.
  • Phát hiện chính: Cả hai giải thuật đều ổn định thành công hệ thống trên cả môi trường mô phỏng và mô hình thực tế. Tuy nhiên, trên mô hình thực nghiệm, bộ điều khiển LQR thể hiện độ chính xác vượt trội hơn với sai số vị trí xác lập là $\approx 0.9\text{ cm}$ và sai số góc lệch $\approx 0^\circ$, trong khi bộ điều khiển Fuzzy đạt sai số vị trí $\approx 2.0\text{ cm}$ và sai số góc lệch $\approx 2^\circ$.
  • Hàm ý thực tiễn (Implications): Nghiên cứu cung cấp một phương pháp luận chuẩn hóa để so sánh đối chuẩn (benchmark) các thuật toán điều khiển trên cùng một nền tảng toán học và phần cứng, đồng thời giới thiệu giải pháp thiết kế mô hình thực nghiệm chi phí thấp phục vụ công tác đào tạo và nghiên cứu kỹ thuật điều khiển tự động.

Bối cảnh và tầm quan trọng (Context & Significance)

Tổng quan tri thức hiện tại

Trong chuyên ngành Kỹ thuật Điều khiển và Tự động hóa, hệ thống Bóng và Thanh (Ball and Beam - B&B) là một trong những đối tượng chuẩn kinh điển (benchmark system) được sử dụng rộng rãi để kiểm chứng các lý thuyết điều khiển từ cổ điển (PID), hiện đại (LQR, State-Feedback) đến thông minh (Fuzzy Logic, Neural Networks, Sliding Mode). Đây là hệ thống một ngõ vào - nhiều ngõ ra (SIMO), có tính chất phi tuyến mạnh, độ bất ổn định cao và liên kết động học chặt chẽ giữa chuyển động tịnh tiến của viên bi và chuyển động quay của thanh đỡ.

       [Viên bi (m)]  ----> x(t)
    ========●===================== Thanh đỡ (Beam)

Khoảng trống nghiên cứu (Research Gap)

Mặc dù đã có nhiều công trình nghiên cứu về hệ B&B cả trong và ngoài nước, phần lớn các đề tài thường khảo sát các giải thuật một cách độc lập hoặc áp dụng trên những mô hình phần cứng với các quy ước toán học khác nhau (ví dụ: một số mô hình xem moment động cơ là ngõ vào, một số khác lại điều khiển trực tiếp bằng điện áp cấp Stator; một số bỏ qua ma sát cơ khí, một số lại giữ nguyên). Sự thiếu nhất quán này dẫn đến việc thiếu các tài liệu đối chiếu khách quan, công bằng về ưu - nhược điểm thực tế của từng thuật toán trên cùng một hệ quy chiếu.

Tính cấp thiết và Tác động tiềm năng

Trong bối cảnh cách mạng công nghiệp 4.0, nhu cầu làm chủ các giải thuật điều khiển thông minh kết hợp với vi xử lý nhúng tốc độ cao ngày càng tăng. Việc nghiên cứu, so sánh trực tiếp giữa điều khiển tuyến tính tối ưu (LQR) và điều khiển thông minh mờ (Fuzzy Logic) trên cùng một cấu trúc phần cứng nhúng thời gian thực (STM32F4) giúp sáng tỏ ranh giới ứng dụng giữa lý thuyết giải tích và phương pháp hướng dữ liệu (data-driven), tạo tiền đề phát triển các hệ thống cân bằng tự động trong công nghiệp như gimbal camera, xe tự cân bằng hai bánh, thiết bị bay không người lái (UAV) và công nghệ ổn định bệ phóng tên lửa.

Phương pháp nghiên cứu và Tiếp cận (Methodology & Approach)

1. Thiết kế nghiên cứu và Mô hình hóa toán học

Nghiên cứu kết hợp giữa mô hình hóa lý thuyết giải tích, mô phỏng số và kiểm chứng thực nghiệm phần cứng. Mô hình toán học của hệ B&B trục giữa được thiết lập dựa trên phương pháp cơ học giải tích Euler-Lagrange:

$$L = K - U = \frac{1}{2} m \dot{x}^2 + \frac{1}{2} m (x \dot{\theta})^2 + \frac{1}{2} I_{\text{ball}} \left(\frac{\dot{x}}{r}\right)^2 + \frac{1}{2} I_{\text{beam}} \dot{\theta}^2 - m g x \sin\theta$$

Bỏ qua lực ma sát lăn và lực ly tâm nhỏ trong điều kiện vận hành góc lệch nhỏ, phương trình chuyển động của viên bi trên thanh được rút gọn:

$$\ddot{x} = \frac{m g \sin\theta}{m + \frac{I_{\text{ball}}}{r^2}} \approx \frac{5}{7} g \theta$$

Mô hình động học động cơ Servo DC 24V được kết hợp cùng phương trình moment để tạo thành hệ phương trình không gian trạng thái đầy đủ 4 biến trạng thái: $X = [x, \dot{x}, \theta, \dot{\theta}]^T$, với tín hiệu điều khiển ngõ vào là điện áp cấp động cơ $u(t) = V$.

2. Kỹ thuật điều khiển và Xử lý bùng nổ quy tắc mờ

  • Bộ điều khiển LQR: Tính toán ma trận độ lợi phản hồi trạng thái $K$ thông qua việc tối ưu hóa hàm mục tiêu bậc hai $J = \int_0^\infty (X^T Q X + u^T R u) dt$, tạo tín hiệu điều khiển $u(t) = -KX$.
  • Bộ điều khiển Fuzzy (Mờ): Đối với hệ thống có 4 ngõ vào, nếu mỗi ngõ vào chia $n$ hàm liên thuộc thì số luật mờ cần thiết kế là $n^4$ (ví dụ: $n=5 \rightarrow 625$ luật; $n=6 \rightarrow 1296$ luật), gây khó khăn cực lớn cho việc xây dựng luật thủ công. Nhóm tác giả đã áp dụng phương pháp đột phá: Tạo tín hiệu đầu vào ngẫu nhiên trong giới hạn bão hòa (Saturation) trên mô hình LQR, thu thập tập dữ liệu trạng thái và sử dụng công cụ Neuro-Fuzzy Designer để huấn luyện (train) một bộ điều khiển Fuzzy tương đương, tự động trích xuất tập luật mờ tối ưu.

3. Nền tảng thực nghiệm và Lập trình nhúng

  • Phần cứng: Khung cơ khí gia công bằng vật liệu Mica chính xác; cơ cấu thanh trượt trục giữa liên kết trực tiếp với trục động cơ Servo DC 24V (tích hợp Encoder quang học 200 xung/vòng); mạch điều khiển công suất cầu H (H216 V2); kit vi điều khiển 32-bit ARM Cortex-M4 STM32F407VG Discovery.
  • Phương pháp đo lường: Vị trí viên bi được xác định liên tục nhờ dây điện trở Masor quấn lò xo dọc thanh trượt (viên bi đóng vai trò con trượt chia áp, tín hiệu điện áp analog được đọc qua chân PA5 của STM32); góc lệch thanh được tính toán bằng cách giải mã xung Encoder qua các ngắt phần cứng (PA8, PA9).
  • Môi trường phần mềm: Toàn bộ giải thuật điều khiển được phát triển trong Simulink, chuyển dịch trực tiếp thành mã nhúng C nạp xuống STM32 thông qua bộ thư viện Waijung Blockset, dữ liệu thực nghiệm được truyền về máy tính qua giao tiếp UART (chip CP2102) và phần mềm Terminal.

Phát hiện chính (Key Findings)

Tiêu chí khảo sát Bộ điều khiển LQR (Tối ưu tuyến tính) Bộ điều khiển Fuzzy (Học từ LQR) Nhận xét & Đánh giá chuyên môn
Mô phỏng: Thời gian xác lập ($t_s$) $\approx 50\text{ s}$ $\approx 50\text{ s}$ Đáp ứng mô phỏng gần như trùng khớp do Fuzzy học trực tiếp từ LQR
Mô phỏng: Trạng thái xác lập $x \rightarrow 0\text{ cm}$, $\theta \rightarrow 0^\circ$ $x \rightarrow 0\text{ cm}$, $\theta \rightarrow 0^\circ$ Triệt tiêu hoàn toàn dao động ban đầu
Thực nghiệm: Sai số vị trí ($e_{ss_pos}$) **$\approx 0.9 \text{ cm}$**
Thực nghiệm: Sai số góc lệch ($e_{ss_ang}$) $\approx 0^\circ$ $\approx 2^\circ$ LQR triệt tiêu góc nghiêng thanh trượt tốt hơn
Độ ổn định động học thực tế Nhanh, bám sát điểm đặt Êm dịu, đáp ứng mượt Fuzzy có khả năng làm mịn tín hiệu điều khiển tốt 
[Đồ thị so sánh sai số xác lập thực nghiệm (cm)]
LQR   : █▎ 0.9 cm
Fuzzy : █████ 2.0 cm
        +----+----+----+----+----+
        0   0.5  1.0  1.5  2.0 (cm)

Phân tích và Diễn giải kết quả

  1. Khả năng tái lập giải thuật qua Neuro-Fuzzy: Kết quả mô phỏng khẳng định việc sử dụng ANFIS để sao chép đặc tính điều khiển của LQR đã giải quyết triệt để vấn đề "Rule Explosion". Bộ điều khiển mờ 4 ngõ vào hoạt động ổn định và có quỹ đạo trạng thái tương đương với LQR trong môi trường số.
  2. Sai lệch giữa mô phỏng và thực nghiệm: Trên mô hình thực tế, cả hai giải thuật đều đưa được viên bi về vị trí cân bằng giữa thanh. Tuy nhiên, sai số xác lập thực tế ($0.9\text{ cm}$ ở LQR và $2.0\text{ cm}$ ở Fuzzy) xuất phát từ các yếu tố phi tuyến không mô hình hóa được trong toán học:
    • Hiện tượng tiếp xúc chập chờn và độ trễ điện áp dọc theo dây điện trở masor.
    • Ma sát tĩnh, ma sát lăn của viên bi thép trên rãnh thanh trượt và khe hở cơ khí của trục truyền động.
    • Vùng chết (Dead-zone) của động cơ Servo DC tại dải điện áp điều khiển thấp.
  3. Ưu thế của LQR trong bài toán định lượng: Do hệ thống được tuyến tính hóa chính xác quanh điểm làm việc ngang ($\theta \approx 0$), ma trận độ lợi $K$ của LQR khai thác tối đa phản hồi trạng thái giải tích, đem lại độ cứng vững và độ chính xác vị trí cao hơn bộ điều khiển mờ huấn luyện gián tiếp.

Đóng góp khoa học (Scientific Contributions)

                     CÁC ĐÓNG GÓP KHOA HỌC CỦA ĐỀ TÀI
[Đóng góp Lý thuyết]   [Đổi mới Phương pháp]   [Ứng dụng Thực tiễn]   [Công bố Học thuật]
So sánh định lượng     Ứng dụng Neuro-Fuzzy    Thiết kế mô hình B&B   Bài báo quốc tế
LQR vs Fuzzy trên      giải quyết bùng nổ      chi phí thấp với       trên Int. J. of
cùng hệ quy chiếu      luật mờ (4 ngõ vào)     STM32F4 + Waijung      Robotica & Mgmt
  • Về mặt lý thuyết & phương pháp luận:
    • Cung cấp một nghiên cứu chuẩn đối sánh (benchmarking) hoàn chỉnh giữa phương pháp điều khiển tối ưu giải tích và phương pháp điều khiển mờ thông minh trên đối tượng phi tuyến bậc cao.
    • Đề xuất quy trình thiết kế bộ điều khiển mờ nhiều biến ngõ vào bằng kỹ thuật học máy (Machine Learning/ANFIS) từ dữ liệu LQR, loại bỏ hoàn toàn sự cảm tính trong việc xây dựng bảng luật mờ thủ công của các kỹ sư.
  • Về mặt thực tiễn và giáo dục đào tạo:
    • Hiện thực hóa thành công mô hình thí nghiệm Ball and Beam trục giữa với chi phí thấp, linh kiện dễ chế tạo (Mica, cảm biến mayso tự quấn, STM32F4 Discovery).
    • Xây dựng bộ giáo cụ học tập trực quan giúp sinh viên ngành Điều khiển và Tự động hóa tiếp cận công nghệ thiết kế mô hình nhúng (Model-Based Design) thông qua MATLAB/Simulink và Waijung Blockset.
  • Về mặt công bố khoa học: Đề tài đã công bố 01 bài báo khoa học quốc tế trên tạp chí International Journal of Robotica & Management (ISSN: 1453-2069), khẳng định chất lượng nghiên cứu của nhóm tác giả tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE).

Đối tượng quan tâm (Target Audience)

  • Giảng viên và Nghiên cứu sinh: Làm tài liệu tham khảo chuyên sâu cho các bài giảng Điều khiển Tự động, Điều khiển Tối ưu, Điều khiển Thông minh; dùng làm nền tảng đối chuẩn để phát triển các thuật toán tiên tiến hơn (Adaptive Sliding Mode Control, Deep Reinforcement Learning, MPC).
  • Kỹ sư Cơ điện tử & Tự động hóa: Nắm bắt kỹ thuật lập trình nhúng thời gian thực trực tiếp từ Simulink xuống vi điều khiển ARM Cortex-M4 mà không cần viết code C thủ công, rút ngắn thời gian R&D sản phẩm.
  • Cơ sở đào tạo & Phòng Lab Đại học: Hướng dẫn chế tạo bệ thử nghiệm thực hành điều khiển tự động chất lượng cao với ngân sách tối ưu, nâng cao kỹ năng thực chiến cho sinh viên kỹ thuật.

Câu hỏi thường gặp (FAQ)

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

Nghiên cứu chứng minh rằng bộ điều khiển mờ (Fuzzy) được huấn luyện từ dữ liệu LQR có thể ổn định hoàn toàn một hệ thống phi tuyến phức tạp 4 biến trạng thái, tuy nhiên trong điều kiện thực nghiệm thực tế, thuật toán tối ưu tuyến tính LQR vẫn mang lại độ chính xác xác lập cao hơn (sai số $0.9\text{ cm}$ so với $2.0\text{ cm}$).

2. Phương pháp thiết kế bộ điều khiển Fuzzy trong nghiên cứu có gì đặc biệt?

Thay vì viết thủ công hàng trăm quy tắc mờ dựa trên kinh nghiệm chuyên gia ($5^4 = 625$ luật), nhóm tác giả đã sử dụng công cụ Neuro-Fuzzy Designer kết hợp dữ liệu quét trạng thái ngẫu nhiên từ LQR để tự động học và trích xuất hàm liên thuộc cũng như bảng luật mờ tối ưu.

3. Kết quả của nghiên cứu có thể tổng quát hóa (generalize) cho các hệ thống khác không?

Hoàn toàn có thể. Quy trình thiết kế bộ điều khiển nhúng trên STM32F4 và phương pháp tiếp cận Neuro-Fuzzy học từ LQR có thể áp dụng trực tiếp cho các hệ thống tự cân bằng phi tuyến tương tự như: Con lắc ngược (Inverted Pendulum), Hệ bóng - đĩa (Ball and Plate), Hệ nâng từ (Magnetic Levitation), và cánh tay robot linh hoạt.

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

Nhận dạng chính xác thông số phi tuyến của động cơ DC Servo thực tế, tích hợp cảm biến siêu âm/camera xử lý ảnh thay thế dây mayso để giảm nhiễu tiếp xúc, và thử nghiệm các thuật toán điều khiển thích nghi hoặc điều khiển trượt (Sliding Mode Control).

5. Ý nghĩa thực tiễn nổi bật nhất của đề tài đối với giáo dục kỹ thuật là gì?

Đề tài cung cấp giải pháp xây dựng mô hình thí nghiệm điều khiển chuẩn công nghiệp với kinh phí cực kỳ tiết kiệm, giúp sinh viên chuyển hóa kiến thức toán học trừu tượng thành sản phẩm điều khiển nhúng thực tế thông qua nền tảng Model-Based Design (Simulink + STM32).

Kết luận (Conclusion)

Công trình nghiên cứu khoa học của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE) đã thực hiện thành công việc mô hình hóa, mô phỏng và kiểm chứng thực nghiệm hai giải pháp điều khiển LQR và Fuzzy trên hệ thống bóng thanh trục giữa. Kết quả nghiên cứu không chỉ làm sáng tỏ hiệu năng cơ điện tử của từng thuật toán mà còn mở ra hướng tiếp cận hiệu quả trong việc đơn giản hóa thiết kế hệ mờ nhiều ngõ vào. Đây là tài liệu học thuật giá trị, đóng góp tích cực vào nguồn tài nguyên giảng dạy và nghiên cứu thực hành trong lĩnh vực Tự động hóa và Cơ điện tử hiện đại.