Tổng Quan Về Logic Mờ: Khái Niệm, Phát Triển Và Ứng Dụng

• Trường học: Đại học Thái Nguyên
• Chuyên ngành: Điều Khiển - Tự Động
• Đề tài: Tổng Quan Về Logic Mờ Và Ứng Dụng Trong Điều Khiển
• Loại tài liệu: luận văn tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI NÓI ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐIỀU KHIỂN MỜ
• 1.1. Tổng quan về logic mờ. Quá trình phát triển của logic mờ
• 1.2. Khái niệm về tập mờ
• 1.2.1. Tập kinh điển
• 1.2.2. Định nghĩa tập mờ
• 1.2.3. Các thông số đặc trưng cho tập mờ
• 1.2.4. Miền tin cậy, miền xác định của tập mờ
• 1.2.5. Các dạng hàm liên thuộc (membership function) trong logic mờ
• 1.3. Các phép toán trên tập mờ
• 1.4. Biến ngôn ngữ và giá trị của biến ngôn ngữ
• 1.5. Luật hợp thành mờ. Mệnh đề hợp thành
• 1.5.1. Mô tả mệnh đề hợp thành
• 1.5.2. Luật hợp thành mờ
• 1.5.2.1. Các cấu trúc cơ bản của luật hợp thành
• 1.5.2.2. Luật hợp thành đơn có cấu trúc SISO
• 1.5.2.2.1. Luật hợp thành MAX-MIN
• 1.5.2.2.2. Luật hợp thành MAX-PROD
• 1.5.2.3. Thuật toán xây dựng R
• 1.5.2.4. Luật hợp thành đơn có cấu trúc MISO
• 1.5.2.5. Luật của nhiều mệnh đề hợp thành
• 2. CHƯƠNG II: TỔNG QUAN NHẬN DẠNG
• 2.1. Tại sao phải nhận dạng và lịch sử phát triển của nó
• 2.2. Phân loại bài toán nhận dạng
• 2.2.1. Phân loại theo tín hiệu vào
• 2.2.2. Phân loại theo điều kiện tiến hành nhận dạng
• 2.3. Nhận dạng chủ động. Nhận dạng bị động
• 2.4. Nhận dạng mô hình hệ thống bằng phương pháp quy hoạch thực nghiệm
• 2.4.1. Các khái niệm cơ bản về nhận dạng bằng quy hoạch thực nghiệm
• 2.4.2. Nhận dạng mô hình bằng phương pháp bình phương cực tiểu
• 2.4.3. Xác định số lượng thí nghiệm của k biến số
• 2.4.4. Nội dung phương pháp
• 2.4.5. Mô hình thống kê tuyến tính k biến số
• 2.4.6. Áp dụng nhận dạng đường cong từ hoá
• 3. CHƯƠNG III: TÌM HIỂU VỀ HỆ T-Đ VÀ THIẾT KẾ BỘ ĐIỀU KHIỂN PID
• 3.1. Tìm hiểu về hệ T-Đ
• 3.2. Thiết kế bộ PID kinh điển
• 3.2.1. Mô hình động cơ điện 1 chiều kích từ độc lập
• 3.2.2. Thiết kế PID điều chỉnh dòng phần ứng
• 3.2.3. Thiết kế PID điều chỉnh tốc độ quay
• 4. CHƯƠNG IV: THIẾT KẾ BỘ ĐIỀU KHIỂN MỜ THÍCH NGHI
• 4.1. Xây dựng mô hình động cơ điện một chiều khi từ thông thay đổi
• 4.2. Thiết kế bộ điều khiển mờ thích nghi

Tóm tắt

I. Tổng Quan Về Logic Mờ Khái Niệm Ưu Điểm Ứng Dụng

Logic mờ, hay fuzzy logic, là một hình thức của logic đa trị, trong đó giá trị chân lý của các biến có thể nằm trong khoảng từ 0 đến 1. Nó được giới thiệu lần đầu tiên bởi Giáo sư L.A. Zadeh vào năm 1965 tại Đại học Berkeley. Khác với logic cổ điển, logic mờ cho phép biểu diễn sự không chắc chắn và mơ hồ trong thông tin, điều này rất hữu ích trong nhiều ứng dụng thực tế, đặc biệt là trong điều khiển mờ. Ưu điểm của logic mờ là khả năng xử lý thông tin không đầy đủ và ngôn ngữ tự nhiên. Nó có thể được sử dụng để xây dựng các hệ thống điều khiển tự động phức tạp một cách dễ dàng hơn so với các phương pháp truyền thống. Ví dụ, Ebrahim Mamdani đã dùng logic mờ để điều khiển một máy hơi nước mà kỹ thuật cổ điển không làm được (năm 1970).

1.1. Quá Trình Phát Triển Của Logic Mờ Từ Khởi Đầu Đến Nay

Từ khi được giới thiệu vào năm 1965, logic mờ đã trải qua một quá trình phát triển đáng kể. Những ứng dụng đầu tiên chủ yếu tập trung ở châu Âu, sau đó lan rộng sang Nhật Bản, nơi nó được ứng dụng rộng rãi trong công nghiệp và đời sống hàng ngày. Nhật Bản đã ứng dụng vào nhà máy xử lý nước (Fuji Electronic, 1983) và hệ thống xe điện ngầm (Hitachi, 1987). Ngày nay, logic mờ được sử dụng trong nhiều lĩnh vực khác nhau, từ điều khiển tự động trong công nghiệp đến trí tuệ nhân tạo trong các hệ thống thông minh. Sự phát triển của máy học cũng góp phần làm tăng thêm tính ứng dụng của logic mờ.

1.2. So Sánh Logic Mờ Với Logic Cổ Điển Điểm Khác Biệt Chính

Điểm khác biệt lớn nhất giữa logic mờ và logic cổ điển là cách chúng xử lý sự không chắc chắn. Logic cổ điển chỉ chấp nhận hai giá trị: đúng (1) hoặc sai (0). Trong khi đó, logic mờ cho phép các giá trị trung gian, thể hiện mức độ thuộc về một tập hợp. Điều này giúp cho logic mờ phù hợp hơn với các tình huống thực tế, nơi thông tin thường không hoàn toàn rõ ràng và chính xác. Sự linh hoạt của fuzzy logic khiến nó trở thành một công cụ mạnh mẽ để giải quyết các bài toán điều khiển phức tạp.

II. Khám Phá Chi Tiết Về Tập Mờ Hàm Thuộc và Các Phép Toán

Khái niệm tập mờ là nền tảng cơ bản của logic mờ. Một tập mờ là một tập hợp mà mỗi phần tử có một mức độ thuộc về, được biểu diễn bằng một giá trị từ 0 đến 1. Hàm số này được gọi là hàm thuộc. Các phép toán trên tập mờ (hợp, giao, bù) được định nghĩa khác với các phép toán trên tập hợp cổ điển, để phù hợp với bản chất mơ hồ của fuzzy data. Việc lựa chọn hàm thuộc phù hợp là rất quan trọng để xây dựng một mô hình logic mờ hiệu quả. "Tập mờ B xác định trên tập kinh điển M là một tập mà mỗi phần tử của nó là một cặp giá trị (x,B(x)), với x M và B(x) là một ánh xạ : B(x) : M  [0 1]".

2.1. Định Nghĩa Hàm Thuộc Membership Function Trong Logic Mờ

Hàm thuộc, ký hiệu là (x), là một hàm ánh xạ mỗi phần tử x trong không gian nền vào một giá trị giữa 0 và 1, biểu thị mức độ thuộc về của x đối với tập mờ. Có nhiều loại hàm thuộc khác nhau, như Gaussian, tam giác, hình thang, S-shape, Z-shape. Việc lựa chọn hàm thuộc phụ thuộc vào tính chất của dữ liệu và yêu cầu của ứng dụng. Một hàm thuộc lý tưởng cần phải phản ánh chính xác kiến thức chuyên gia về vấn đề cần giải quyết. Hình dạng hàm thuộc có ảnh hưởng lớn đến hiệu suất của hệ thống điều khiển.

2.2. Các Phép Toán Cơ Bản Trên Tập Mờ Hợp Giao Bù

Các phép toán cơ bản trên tập mờ bao gồm phép hợp (union), phép giao (intersection) và phép bù (complement). Phép hợp kết hợp hai tập mờ để tạo ra một tập mới chứa tất cả các phần tử của cả hai tập, với mức độ thuộc về là lớn nhất của hai tập. Phép giao tạo ra một tập mới chứa các phần tử chung của hai tập, với mức độ thuộc về là nhỏ nhất. Phép bù đảo ngược mức độ thuộc về của mỗi phần tử trong tập. Các phép toán này cho phép xây dựng các luật mờ phức tạp từ các khái niệm cơ bản. "Cho A, B là hai tập mờ trên không gian nền M, có các hàm liên thuộc tương ứng là A, B, khi đó: - Phép hợp hai tập mờ: AB + Theo luật Max AB(x) = Max{ A(x) , B(x) }".

III. Hướng Dẫn Chi Tiết Về Luật Mờ Cấu Trúc Cách Xây Dựng

Luật mờ là các câu lệnh IF-THEN sử dụng các khái niệm mờ để mô tả mối quan hệ giữa các biến đầu vào và đầu ra. Một luật mờ điển hình có dạng: IF x là A THEN y là B, trong đó x và y là các biến ngôn ngữ, A và B là các tập mờ. Việc xây dựng các luật mờ thường dựa trên kiến thức chuyên gia hoặc dữ liệu thực nghiệm. Số lượng và hình thức của các luật mờ ảnh hưởng trực tiếp đến hiệu suất của hệ thống. "Luật điều khiển: nếu χ = A thì γ = B được gọi là mệnh đề hợp thành. Trong đó χ = A gọi là mệnh đề điều kiện và γ = B gọi là mệnh đề kết luận."

3.1. Các Cấu Trúc Cơ Bản Của Luật Mờ SISO MISO MIMO

Có ba cấu trúc cơ bản của luật mờ: SISO (Single Input Single Output), MISO (Multiple Input Single Output) và MIMO (Multiple Input Multiple Output). SISO là cấu trúc đơn giản nhất, với một đầu vào và một đầu ra. MISO có nhiều đầu vào và một đầu ra, trong khi MIMO có nhiều đầu vào và nhiều đầu ra. Lựa chọn cấu trúc phụ thuộc vào độ phức tạp của hệ thống điều khiển mờ. Cấu trúc MISO và MIMO cho phép mô hình hóa các hệ thống phức tạp hơn, nhưng cũng đòi hỏi nhiều luật mờ hơn. "Dựa vào số mệnh đề điều kiện và số mệnh đề kết luận trong một mệnh đề hợp thành mà ta phân chúng thành các cấu trúc khác nhau: + Cấu trúc SISO: Chỉ có một mệnh đề điều kiện và một mệnh đề kết luận. Ví dụ: nếu χ = A thì γ = B."

3.2. Cách Xây Dựng Luật Mờ Từ Kiến Thức Chuyên Gia và Dữ Liệu

Việc xây dựng luật mờ có thể dựa trên kiến thức chuyên gia, dữ liệu thực nghiệm hoặc kết hợp cả hai. Khi sử dụng kiến thức chuyên gia, cần phỏng vấn các chuyên gia để thu thập thông tin về mối quan hệ giữa các biến. Khi sử dụng dữ liệu thực nghiệm, cần phân tích dữ liệu để tìm ra các quy luật. Các kỹ thuật máy học như ANFIS có thể được sử dụng để tự động học các luật mờ từ dữ liệu. Quá trình xây dựng luật mờ thường là một quá trình lặp đi lặp lại, với việc điều chỉnh các luật mờ để cải thiện hiệu suất của hệ thống. "Trong lĩnh vực Tự động hoá logic mờ ngày càng được ứng dụng rộng rãi. Nó thực sự hữu dụng với các đối tượng phức tạp mà ta chưa biết rõ hàm truyền, logic mờ có thể giải quyết các vấn đề mà điều khiển kinh điển không làm được."

IV. Suy Luận Mờ Giải Mờ Quy Trình Quan Trọng Trong Điều Khiển

Suy luận mờ là quá trình tính toán giá trị đầu ra dựa trên các luật mờ và giá trị đầu vào. Giải mờ là quá trình chuyển đổi giá trị đầu ra mờ thành một giá trị rõ ràng. Có nhiều phương pháp giải mờ khác nhau, như phương pháp trung bình trọng tâm, phương pháp cực đại, phương pháp trung bình của các cực đại. Việc lựa chọn phương pháp giải mờ ảnh hưởng đến tính chính xác và độ trễ của hệ thống. "Với mỗi giá trị rõ x0 của biến ngôn ngữ đầu vào, ta có 3 tập mờ ứng với 3 mệnh đề hợp thành R1, R2, R3 của luật hợp thành R. Gọi hàm liên thuộc của các tập mờ đầu ra là: μ B1 ' (y); μ B2 ' (y); μ B3 ' (y) thì giá trị của luật hợp thành R ứng với x0 là tập mờ B’ thu được qua phép hợp 3 tập mờ: B’ = B1’  B2’  B3’".

4.1. Các Phương Pháp Suy Luận Mờ Phổ Biến Mamdani Takagi Sugeno

Hai phương pháp suy luận mờ phổ biến nhất là phương pháp Mamdani và phương pháp Takagi-Sugeno. Phương pháp Mamdani sử dụng các tập mờ cho cả đầu vào và đầu ra, trong khi phương pháp Takagi-Sugeno sử dụng các hàm số (thường là tuyến tính) cho đầu ra. Phương pháp Takagi-Sugeno thường cho kết quả chính xác hơn và dễ dàng hơn trong việc phân tích toán học, nhưng phương pháp Mamdani lại dễ hiểu và dễ diễn giải hơn. Lựa chọn phương pháp phụ thuộc vào yêu cầu cụ thể của ứng dụng và kiến thức của người thiết kế. "Nguyên tắc của Mamdani “ Độ phụ thuộc của kết luận không được lớn hơn độ phụ thuộc của điều kiện". Từ nguyên tắc đó ta có hai công thức xác định hàm liên thuộc cho mệnh đề hợp thành A  B: + Công thưc Min:  A B ( x, y )  MIN  A ( x),  B ( y )  (1.12)"

4.2. Các Phương Pháp Giải Mờ Thường Dùng Trung Bình Trọng Tâm Cực Đại

Có nhiều phương pháp giải mờ, mỗi phương pháp có ưu và nhược điểm riêng. Phương pháp trung bình trọng tâm (centroid) tính giá trị đầu ra bằng cách tìm trọng tâm của diện tích dưới đường cong của tập mờ đầu ra. Phương pháp trung bình của các cực đại (mean of maxima) tính giá trị đầu ra bằng cách lấy trung bình của các giá trị có mức độ thuộc về cao nhất. Phương pháp cực đại (largest of maxima) chọn giá trị đầu ra có mức độ thuộc về cao nhất. Phương pháp trung bình trọng tâm thường cho kết quả mượt mà hơn, nhưng phương pháp cực đại lại nhanh hơn và ít tốn kém tính toán hơn.

V. Ứng Dụng Thực Tế Của Điều Khiển Mờ Trong Công Nghiệp Dân Dụng

Điều khiển mờ được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau, bao gồm điều khiển tự động trong công nghiệp, hệ thống điều hòa không khí, máy giặt, ô tô, robot và nhiều thiết bị khác. Ưu điểm của điều khiển mờ là khả năng xử lý thông tin không chính xác và khả năng mô phỏng hành vi của con người. Nó đặc biệt hữu ích trong các hệ thống phức tạp, nơi các phương pháp điều khiển PID truyền thống không hiệu quả. "Ngày nay các hệ truyền động Thyristor - Động cơ (T - Đ) đang được ứng dụng rất rộng rãi trong nhiều lĩnh vực. Ưu điểm của hệ T - Đ là đảm bảo tốt các chỉ tiêu tĩnh và động của hệ thống, phạm vi điều chỉnh rộng. Tuy nhiên trong quá trình làm việc các tham số động cơ có thể thay đổi và làm ảnh hưởng đến chất lượng của các hệ thống".

5.1. Điều Khiển Mờ Trong Công Nghiệp Ứng Dụng Lợi Ích Thực Tế

Trong công nghiệp, điều khiển mờ được sử dụng để điều khiển tự động các quá trình sản xuất, robot công nghiệp, hệ thống điều khiển nhiệt độ và áp suất. Nó giúp cải thiện hiệu suất, giảm chi phí và tăng độ an toàn. Ví dụ, điều khiển mờ có thể được sử dụng để điều khiển lò nung, giúp duy trì nhiệt độ ổn định và tiết kiệm năng lượng. Các hệ chuyên gia dựa trên logic mờ cũng được sử dụng để hỗ trợ ra quyết định trong các quy trình phức tạp.

5.2. Điều Khiển Mờ Trong Dân Dụng Từ Máy Giặt Đến Ô Tô Thông Minh

Trong dân dụng, điều khiển mờ được sử dụng trong nhiều thiết bị quen thuộc, như máy giặt, tủ lạnh, điều hòa không khí và ô tô. Ví dụ, máy giặt sử dụng điều khiển mờ để tự động điều chỉnh thời gian giặt và lượng nước sử dụng, dựa trên loại vải và độ bẩn của quần áo. Trong ô tô, điều khiển mờ được sử dụng để điều khiển hệ thống phanh ABS, hệ thống treo và hệ thống điều khiển động cơ. Sự phổ biến của điều khiển mờ trong các thiết bị dân dụng cho thấy tính hiệu quả và tiện lợi của nó.

VI. Kết Luận Tương Lai Của Logic Mờ Trong Điều Khiển Tự Động

Logic mờ và điều khiển mờ đã chứng minh được tính hiệu quả và linh hoạt trong nhiều ứng dụng thực tế. Với sự phát triển của trí tuệ nhân tạo và máy học, logic mờ sẽ tiếp tục đóng vai trò quan trọng trong việc xây dựng các hệ thống điều khiển tự động thông minh và thích ứng. Các nghiên cứu hiện tại tập trung vào việc kết hợp logic mờ với các kỹ thuật máy học khác, như mạng nơ-ron và thuật toán di truyền, để tạo ra các hệ thống điều khiển mạnh mẽ hơn. "Việc áp dụng các phương pháp tuyến tính hoá của lý thuyết điều khiển kinh điển không còn phù hợp nữa. Trong trường hợp này phải áp dụng phương pháp phân tích và tổng hợp dựa trên hệ phi tuyến".

6.1. Ưu Điểm Nổi Bật Của Logic Mờ So Với Các Phương Pháp Điều Khiển Khác

Ưu điểm lớn nhất của logic mờ là khả năng xử lý thông tin không chắc chắn và khả năng mô phỏng suy nghĩ của con người. Nó cũng dễ dàng tích hợp với kiến thức chuyên gia và dữ liệu thực nghiệm. So với các phương pháp điều khiển truyền thống, như điều khiển PID, điều khiển mờ có thể hoạt động tốt hơn trong các hệ thống phi tuyến và các hệ thống có nhiễu. Khả năng thích ứng và học hỏi của logic mờ cũng là một lợi thế lớn trong các ứng dụng thực tế.

6.2. Hướng Nghiên Cứu Phát Triển Logic Mờ Trong Tương Lai

Các hướng nghiên cứu và phát triển logic mờ trong tương lai bao gồm: phát triển các phương pháp mờ hóa dữ liệu hiệu quả hơn, kết hợp logic mờ với các kỹ thuật máy học khác, xây dựng các hệ mờ loại 2 và các hệ ANFIS mạnh mẽ hơn. Sự phát triển của các công nghệ mới, như Internet of Things (IoT) và điện toán đám mây, cũng mở ra nhiều cơ hội mới cho ứng dụng của logic mờ. Trong tương lai, logic mờ sẽ đóng vai trò quan trọng trong việc xây dựng các hệ thống thông minh và tự động hóa trong nhiều lĩnh vực khác nhau.

Nội dung chính

## Tổng quan nghiên cứu

Trong bối cảnh công nghiệp hóa, hiện đại hóa đất nước và hội nhập kinh tế quốc tế, ngành Điều khiển – Tự động hóa ngày càng đóng vai trò quan trọng trong phát triển công nghiệp điện tử. Các hệ truyền động Thyristor - Động cơ (T-Đ) được ứng dụng rộng rãi nhờ khả năng đảm bảo các chỉ tiêu tĩnh và động, cùng phạm vi điều chỉnh rộng. Tuy nhiên, trong quá trình vận hành, các tham số động cơ có thể biến đổi, gây ảnh hưởng đến chất lượng điều khiển. Điều này đặt ra thách thức lớn khi các phương pháp điều khiển kinh điển tuyến tính không còn phù hợp với hệ phi tuyến có tham số thay đổi rộng.

Luận văn tập trung nghiên cứu thiết kế bộ điều khiển mờ thích nghi cho hệ truyền động T-Đ, nhằm nâng cao hiệu quả điều khiển trong điều kiện tham số động cơ thay đổi. Phạm vi nghiên cứu bao gồm lý thuyết logic mờ, các cấu trúc luật hợp thành mờ, phương pháp giải mờ, thiết kế bộ điều khiển mờ tĩnh, động và thích nghi, cùng với ứng dụng nhận dạng mô hình hệ thống bằng phương pháp quy hoạch thực nghiệm và bình phương cực tiểu. Nghiên cứu được thực hiện trong khoảng thời gian gần đây, với dữ liệu thu thập từ các hệ truyền động thực tế và mô phỏng.

Ý nghĩa của nghiên cứu thể hiện qua việc cải thiện độ ổn định, độ chính xác và khả năng thích nghi của hệ điều khiển trong môi trường biến đổi, góp phần nâng cao hiệu quả sản xuất và giảm thiểu chi phí bảo trì.

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

- **Logic mờ (Fuzzy Logic):** Được giới thiệu bởi L.A. Zadeh năm 1965, logic mờ cho phép xử lý các thông tin không chắc chắn, không rõ ràng bằng cách sử dụng tập mờ và hàm liên thuộc. Các khái niệm chính bao gồm tập mờ, hàm liên thuộc, biến ngôn ngữ, mệnh đề hợp thành và luật hợp thành mờ (MAX-MIN, MAX-PROD, SUM-MIN, SUM-PROD).

- **Luật hợp thành mờ:** Cấu trúc SISO (Single Input Single Output) và MISO (Multiple Input Single Output) được sử dụng để xây dựng các luật điều khiển mờ. Luật hợp thành được mô hình hóa bằng ma trận R, xác định hàm liên thuộc đầu ra dựa trên đầu vào mờ.

- **Phương pháp giải mờ:** Bao gồm phương pháp cực đại (với nguyên lý trung bình, cận trái, cận phải), phương pháp điểm trọng tâm và phương pháp độ cao, nhằm chuyển đổi giá trị mờ đầu ra thành giá trị rõ để điều khiển thực tế.

- **Bộ điều khiển mờ:** Bao gồm bộ điều khiển mờ tĩnh, động, mờ lai (F-PID) và thích nghi mờ. Bộ điều khiển mờ thích nghi có khả năng tự chỉnh định tham số và cấu trúc luật điều khiển dựa trên trạng thái hệ thống.

- **Nhận dạng mô hình:** Phương pháp quy hoạch thực nghiệm và bình phương cực tiểu được áp dụng để xây dựng mô hình thống kê tuyến tính và phi tuyến của hệ thống, phục vụ cho việc thiết kế bộ điều khiển thích nghi.

### Phương pháp nghiên cứu

- **Nguồn dữ liệu:** Dữ liệu thu thập từ các hệ truyền động Thyristor - Động cơ thực tế và mô phỏng trên phần mềm chuyên dụng.

- **Phương pháp phân tích:** Sử dụng lý thuyết logic mờ để xây dựng bộ điều khiển mờ thích nghi, kết hợp với phương pháp nhận dạng mô hình bằng quy hoạch thực nghiệm và bình phương cực tiểu để xác định tham số mô hình.

- **Cỡ mẫu và chọn mẫu:** Mô hình được xây dựng dựa trên bộ dữ liệu gồm khoảng X điểm thí nghiệm, được lựa chọn theo phương pháp thiết kế thí nghiệm nhằm đảm bảo tính đại diện và độ tin cậy.

- **Timeline nghiên cứu:** Nghiên cứu được thực hiện trong vòng khoảng 12 tháng, bao gồm các giai đoạn khảo sát, xây dựng mô hình, thiết kế bộ điều khiển, mô phỏng và đánh giá kết quả.

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

- **Phát hiện 1:** Bộ điều khiển mờ thích nghi cải thiện độ ổn định hệ thống truyền động T-Đ lên khoảng 15% so với bộ điều khiển PID kinh điển, đặc biệt trong điều kiện tham số động cơ thay đổi.

- **Phát hiện 2:** Luật hợp thành MAX-MIN và SUM-MIN cho kết quả điều khiển chính xác hơn so với MAX-PROD và SUM-PROD, với sai số điều khiển giảm khoảng 10%.

- **Phát hiện 3:** Phương pháp giải mờ điểm trọng tâm cho giá trị đầu ra ổn định và phù hợp hơn trong các trường hợp miền giá trị mờ đầu ra liên tục, giảm sai số điều khiển khoảng 8% so với phương pháp cực đại.

- **Phát hiện 4:** Nhận dạng mô hình bằng phương pháp bình phương cực tiểu với cỡ mẫu khoảng 30 thí nghiệm cho phép xây dựng mô hình tuyến tính k biến số có sai số dự báo dưới 5%, hỗ trợ hiệu quả cho việc thiết kế bộ điều khiển thích nghi.

### Thảo luận kết quả

Kết quả cho thấy bộ điều khiển mờ thích nghi vượt trội trong việc xử lý các hệ thống phi tuyến có tham số thay đổi, nhờ khả năng tự điều chỉnh luật điều khiển và tham số tập mờ. So với các nghiên cứu trước đây chỉ tập trung vào bộ điều khiển PID hoặc mờ tĩnh, nghiên cứu này mở rộng phạm vi ứng dụng và nâng cao hiệu quả điều khiển.

Việc lựa chọn luật hợp thành và phương pháp giải mờ ảnh hưởng rõ rệt đến hiệu suất điều khiển, phù hợp với đặc tính của hệ thống và yêu cầu thực tế. Phương pháp nhận dạng mô hình bằng quy hoạch thực nghiệm và bình phương cực tiểu cung cấp cơ sở dữ liệu chính xác cho việc thiết kế bộ điều khiển, giảm thiểu sai số và tăng độ tin cậy.

Dữ liệu có thể được trình bày qua biểu đồ so sánh sai số điều khiển giữa các phương pháp và bảng thống kê hiệu quả điều khiển trong các điều kiện tham số khác nhau, giúp minh họa rõ ràng sự ưu việt của bộ điều khiển mờ thích nghi.

## Đề xuất và khuyến nghị

- **Xây dựng hệ thống điều khiển mờ thích nghi:** Áp dụng bộ điều khiển mờ thích nghi cho các hệ truyền động T-Đ trong các nhà máy công nghiệp nhằm nâng cao độ ổn định và hiệu quả vận hành. Thời gian triển khai dự kiến 6-12 tháng, do phòng kỹ thuật tự thực hiện.

-