Luận văn thạc sĩ kỹ thuật cơ khí động lực bộ điều khiển lực cản dùng mạng neuron nhân tạo ứng dụng trong giả lập quán tính và lực cản đường ở bệ thử động lực học ô tô và xe máy

Luận văn thạc sĩ kỹ thuật phân tích kỹ thuật cơ khí động lực bộ điều khiển lực cản dùng mạng neuron nhân tạo ứng dụng trong giả lập, đánh giá thực trạng, chỉ ra hạn chế, đề xuất

• Tác giả: Hồ Nam Hoa
• Người hướng dẫn: TS. Trần Đăng Long
• Trường học: Đại học Quốc gia TP. HCM
• Chuyên ngành: Kỹ thuật cơ khí động lực
• Đề tài: Bộ điều khiển lực cản dùng mạng neuron nhân tạo ứng dụng trong giả lập quán tính và lực cản đường ở bệ thử động lực học ô tô và xe máy
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. GIỚI THIỆU
• 1.1. Tình hình nghiên cứu trong và ngoài nước
• 1.2. Mục tiêu nghiên cứu
• 1.3. Phương pháp nghiên cứu
• 1.4. Các nội dung nghiên cứu
• 1.5. Phạm vi nghiên cứu
• 1.6. Ý nghĩa khoa học – thực tiễn
• 1.7. Bệ thử ô tô CD 48”
• 1.8. Động lực học mô hình bệ thử xe gắn máy
• 1.9. Mạng neuron nhân tạo
• 2. BỆ THỬ XE HAI BÁNH MÔ PHỎNG QUÁN TÍNH VÀ LỰC CẢN ĐƯỜNG
• 2.1. Sơ đồ bố trí chung
• 2.2. Phương trình động lực học của xe trên đường
• 2.3. Nguyên lý mô phỏng quán tính xe và lực cản đường
• 2.4. Mô hình mô phỏng bệ thử dùng MATLAB
• 2.5. Đáp ứng của bệ thử với bộ điều khiển PID
• 3. THIẾT KẾ BỘ ĐIỀU KHIỂN DÙNG MẠNG NEURON
• 3.1. Cấu trúc mạng dùng làm bộ xấp xỉ
• 3.2. Xây dựng tập dữ liệu huấn luyện mạng
• 3.3. Huấn luyện mạng
• 4. KẾT QUẢ VÀ THẢO LUẬN
• 5. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC A: ĐIỀU KIỆN THỬ NGHIỆM
• PHỤ LỤC B: KẾT QUẢ MÔ PHỎNG VỚI CÁC TRƯỜNG HỢP MỞ RỘNG
• LÝ LỊCH TRÍCH NGANG
• QUÁ TRÌNH ĐÀO TẠO
• QUÁ TRÌNH CÔNG TÁC

Tóm tắt

I. Giới thiệu

Bệ thử động lực học là một công cụ quan trọng trong việc đánh giá hiệu suất và công suất của ô tô và xe máy. Mục tiêu chính của nghiên cứu này là ứng dụng mạng neuron nhân tạo để điều khiển lực cản và giả lập quán tính cho các phương tiện giao thông. Việc sử dụng mạng neuron giúp mô phỏng chính xác các điều kiện thực tế mà xe phải đối mặt khi vận hành trên đường. Mô hình bệ thử động lực học được thiết kế để tạo ra lực cản mô phỏng, từ đó thu thập các dữ liệu như tốc độ, gia tốc, và suất tiêu hao nhiên liệu, giúp tăng độ tin cậy trong việc đánh giá hiệu suất của xe.

1.1. Tình hình nghiên cứu

Trong bối cảnh công nghệ ngày càng phát triển, việc áp dụng công nghệ ô tô và kỹ thuật điều khiển vào nghiên cứu động lực học là rất cần thiết. Nhiều nghiên cứu trước đây đã chỉ ra rằng việc sử dụng hệ thống điều khiển truyền thống như PID không đủ hiệu quả trong việc mô phỏng lực cản mô phỏng cho nhiều loại xe khác nhau. Do đó, nghiên cứu này tập trung vào việc thiết kế một hệ thống điều khiển dựa trên mạng neuron nhân tạo, giúp cải thiện khả năng điều khiển và nâng cao hiệu suất mô phỏng.

II. Nguyên lý mô phỏng quán tính và lực cản đường

Nguyên lý mô phỏng quán tính và lực cản đường là phần quan trọng trong nghiên cứu này. Việc mô phỏng được thực hiện thông qua việc sử dụng thuật toán học máy để tạo ra các mô hình chính xác cho bệ thử động lực học. Mô hình này cho phép tạo ra các lực cản tương tự như khi xe chạy trên đường thực tế, từ đó giúp thu thập dữ liệu một cách chính xác. Bệ thử động lực học không chỉ giúp tiết kiệm chi phí mà còn tăng tính linh hoạt trong việc thực nghiệm và đánh giá hiệu suất của xe. Kết quả từ mô phỏng cho thấy khả năng của bệ thử trong việc tái tạo các điều kiện thực tế một cách hiệu quả.

2.1. Mô hình mô phỏng

Mô hình mô phỏng được xây dựng dựa trên các nguyên lý vật lý và động lực học của xe. Việc sử dụng hệ thống điều khiển tự động giúp tối ưu hóa quá trình mô phỏng, cho phép điều chỉnh các tham số một cách linh hoạt. Kết quả từ mô phỏng cho thấy rằng bệ thử có thể tạo ra các lực cản tương tự như các điều kiện thực tế mà xe phải đối mặt khi vận hành trên đường. Điều này không chỉ giúp nâng cao độ chính xác của các thử nghiệm mà còn giảm thiểu rủi ro khi thực hiện thử nghiệm trên đường thực tế.

III. Thiết kế bộ điều khiển sử dụng mạng neuron

Thiết kế bộ điều khiển sử dụng mạng neuron nhân tạo là một bước tiến quan trọng trong nghiên cứu này. Bộ điều khiển này không chỉ giúp điều chỉnh lực cản mà còn có khả năng học hỏi từ dữ liệu thu thập được để cải thiện hiệu suất điều khiển. Việc áp dụng kỹ thuật điều khiển thông minh giúp bệ thử có thể hoạt động hiệu quả hơn so với các phương pháp truyền thống. Kết quả từ các thử nghiệm cho thấy rằng bộ điều khiển dựa trên mạng neuron có khả năng điều chỉnh lực cản một cách chính xác và linh hoạt, từ đó nâng cao hiệu suất mô phỏng.

3.1. Huấn luyện mạng neuron

Quá trình huấn luyện mạng neuron là rất quan trọng trong việc tối ưu hóa hiệu suất của bộ điều khiển. Các dữ liệu thu thập được từ bệ thử được sử dụng để huấn luyện mạng, giúp nó có khả năng dự đoán và điều chỉnh lực cản một cách chính xác. Kết quả từ quá trình huấn luyện cho thấy rằng mạng neuron có thể học hỏi từ các mẫu dữ liệu khác nhau, từ đó cải thiện khả năng điều khiển và nâng cao độ chính xác trong việc mô phỏng lực cản và quán tính.

IV. Kết quả và thảo luận

Kết quả từ nghiên cứu cho thấy rằng việc sử dụng mạng neuron nhân tạo trong điều khiển lực cản và giả lập quán tính mang lại nhiều lợi ích. So với các phương pháp truyền thống, bộ điều khiển dựa trên mạng neuron cho phép bệ thử tạo ra các lực cản chính xác hơn, từ đó nâng cao độ tin cậy của các kết quả thu thập được. Việc áp dụng công nghệ này không chỉ giúp tiết kiệm chi phí mà còn tăng tính linh hoạt trong nghiên cứu và giảng dạy. Kết quả này mở ra cơ hội mới cho việc phát triển các hệ thống điều khiển thông minh trong lĩnh vực ô tô.

4.1. Ý nghĩa khoa học và thực tiễn

Nghiên cứu này có ý nghĩa quan trọng trong việc phát triển các công nghệ mới trong lĩnh vực kỹ thuật ô tô. Việc áp dụng mạng neuron nhân tạo không chỉ giúp cải thiện độ chính xác trong việc mô phỏng mà còn mở ra hướng đi mới cho các nghiên cứu tiếp theo. Điều này có thể dẫn đến việc phát triển các hệ thống điều khiển thông minh hơn, từ đó nâng cao hiệu suất và độ an toàn của các phương tiện giao thông trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Bệ thử động lực học là thiết bị thiết yếu trong việc đánh giá công suất và hiệu suất vận hành của ô tô và xe máy. Theo ước tính, việc thử nghiệm trực tiếp trên đường thật gặp nhiều hạn chế như chi phí cao, điều kiện thực nghiệm không ổn định và thiết bị phức tạp. Do đó, việc phát triển bệ thử có khả năng mô phỏng chính xác quán tính và lực cản đường nhằm tái tạo điều kiện vận hành thực tế là rất cần thiết. Nghiên cứu này tập trung vào thiết kế bộ điều khiển lực cản sử dụng mạng neuron nhân tạo để mô phỏng quán tính và lực cản đường trên bệ thử động lực học xe gắn máy, với phạm vi thử nghiệm từ khối lượng 157kg đến 810kg, vận hành theo 5 chu trình tiêu chuẩn như WMTC, NEDC và Japan 10-15 mode. Mục tiêu chính là xây dựng mô hình bệ thử và bộ điều khiển có khả năng tái tạo lực cản tổng hợp tương đương với lực cản thực tế trên đường, từ đó nâng cao độ chính xác và tính linh hoạt trong đánh giá động lực học, tiêu hao nhiên liệu và phát thải của phương tiện. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc giảm chi phí thử nghiệm, tăng độ tin cậy và hỗ trợ công tác đào tạo, nghiên cứu khoa học cũng như đăng kiểm phát thải cho các phương tiện giao thông.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính: động lực học chuyển động của xe và mạng neuron nhân tạo (Artificial Neural Network - ANN). Động lực học xe mô tả sự cân bằng lực kéo và lực cản (lực cản lăn, lực cản khí động, lực cản quán tính) tác động lên xe khi vận hành trên đường phẳng nằm ngang, được biểu diễn qua phương trình Newton:

$$ F_k - F_c = m_v \dot{v} $$

trong đó, $F_c = F_r + F_a$ là tổng lực cản lăn và lực cản khí động, $m_v$ là khối lượng xe, $\dot{v}$ là gia tốc xe. Trên bệ thử, lực cản tổng hợp gồm lực cản ma sát con lăn và lực cản điện từ do máy điện tạo ra, đồng thời mô phỏng quán tính con lăn. Mạng neuron nhân tạo được sử dụng để xấp xỉ luật điều khiển phi tuyến phức tạp nhằm điều khiển lực cản mô phỏng, với cấu trúc mạng truyền thẳng nhiều lớp ẩn, sử dụng hàm kích hoạt tanh sigmoid cho các lớp ẩn và hàm tuyến tính cho lớp ra. Mạng được huấn luyện bằng thuật toán lan truyền ngược Levenberg-Marquardt, giúp tối ưu hóa trọng số và độ lệch neuron để đạt độ chính xác cao trong mô phỏng.

Phương pháp nghiên cứu

Nghiên cứu sử dụng môi trường mô phỏng SIMULINK của phần mềm MATLAB để xây dựng mô hình bệ thử và bộ điều khiển. Dữ liệu huấn luyện mạng neuron được thu thập từ 32 trường hợp thử nghiệm mở rộng, bao gồm 4 mức khối lượng xe (157kg, 275kg, 524kg, 810kg) và 2 chu trình thử nghiệm WMTC part 2 và part 3, với tổng tải trọng từ 157kg đến 810kg. Tập dữ liệu được chia thành ba phần: training set (60%), validation set (20%) và testing set (20%) để đảm bảo hiệu quả huấn luyện và kiểm định mô hình. Phương pháp phân tích bao gồm so sánh đáp ứng của bộ điều khiển PID truyền thống và bộ điều khiển mạng neuron nhân tạo trong việc mô phỏng lực cản và quán tính xe trên bệ thử. Thời gian nghiên cứu kéo dài từ tháng 9/2022 đến tháng 7/2023, với các bước chính gồm xây dựng mô hình, thiết kế bộ điều khiển, huấn luyện mạng và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Bộ điều khiển PID truyền thống không đáp ứng tốt: Khi sử dụng bộ điều khiển PID với cùng hệ số, bệ thử không thể mô phỏng chính xác lực cản tổng hợp cho các xe có khối lượng khác nhau. Ví dụ, với xe 810kg theo chu trình WMTC part 2, sai số gia tốc và lực kéo vượt quá mức cho phép, trong khi với xe 215kg sử dụng cùng bộ PID, sai lệch còn lớn hơn, cho thấy tính phi tuyến và đa dạng của lực cản không được xử lý hiệu quả.

2. Bộ điều khiển mạng neuron nhân tạo cải thiện đáng kể độ chính xác: Sau khi huấn luyện, mạng neuron nhân tạo có khả năng xấp xỉ luật điều khiển phi tuyến, giúp bệ thử mô phỏng lực cản và quán tính xe với sai số giảm xuống dưới 5% trong hầu hết các trường hợp thử nghiệm. Đồ thị so sánh vận tốc, momen kéo và lực cản giữa mô hình bệ thử và dữ liệu thực tế cho thấy sự trùng khớp cao, đặc biệt với các chu trình WMTC và NEDC.

3. Khả năng tổng quát hóa của mạng neuron: Mạng neuron được huấn luyện trên tập dữ liệu đa dạng về khối lượng xe và chu trình thử nghiệm, cho phép bộ điều khiển hoạt động hiệu quả với nhiều mẫu xe và điều kiện vận hành khác nhau, vượt trội so với bộ PID cố định.

4. Tính linh hoạt và ứng dụng thực tiễn: Bệ thử với bộ điều khiển mạng neuron có thể vận hành ở tốc độ tối đa 125 km/h, phù hợp với các tiêu chuẩn thử nghiệm hiện hành, đồng thời giảm thiểu chi phí và tăng tính lặp lại trong thử nghiệm so với thử nghiệm trên đường thật.

Thảo luận kết quả

Nguyên nhân chính của sự khác biệt giữa bộ điều khiển PID và mạng neuron là do tính phi tuyến và đa biến của lực cản và quán tính xe, không thể được mô phỏng chính xác bằng bộ điều khiển tuyến tính truyền thống. Mạng neuron nhân tạo với khả năng học và xấp xỉ phi tuyến đã khắc phục được hạn chế này, đồng thời thích ứng với sự thay đổi của các biến trạng thái như khối lượng xe, lực kéo và vận tốc. So sánh với các nghiên cứu trước đây trong lĩnh vực điều khiển bệ thử động lực học, kết quả này khẳng định hiệu quả của việc ứng dụng trí tuệ nhân tạo trong điều khiển hệ thống phi tuyến phức tạp. Dữ liệu có thể được trình bày qua các biểu đồ so sánh vận tốc và momen kéo giữa mô hình bệ thử và dữ liệu thực tế, cũng như bảng sai số năng lượng kéo và phanh giữa các phương pháp điều khiển, giúp minh họa rõ ràng sự cải thiện về độ chính xác.

Đề xuất và khuyến nghị

1. Triển khai bộ điều khiển mạng neuron nhân tạo trong các bệ thử động lực học hiện có: Động tác này nhằm nâng cao độ chính xác mô phỏng lực cản và quán tính, giảm sai số thử nghiệm xuống dưới 5%, thực hiện trong vòng 12 tháng, do các phòng thí nghiệm kỹ thuật cơ khí và giao thông chủ trì.

2. Mở rộng phạm vi huấn luyện mạng neuron với các mẫu xe và chu trình thử nghiệm đa dạng hơn: Tăng cường khả năng tổng quát hóa của bộ điều khiển, đảm bảo phù hợp với các loại xe mới và điều kiện vận hành khác nhau, tiến hành trong 18 tháng, do các nhóm nghiên cứu và trung tâm đào tạo kỹ thuật thực hiện.

3. Phát triển giao diện phần mềm tích hợp bộ điều khiển mạng neuron dễ sử dụng: Hỗ trợ người vận hành bệ thử trong việc thiết lập và điều chỉnh tham số, giảm thiểu sai sót vận hành, hoàn thành trong 6 tháng, do các đơn vị phát triển phần mềm và phòng thí nghiệm phối hợp thực hiện.

4. Đào tạo và nâng cao năng lực cho cán bộ kỹ thuật và nghiên cứu viên: Tổ chức các khóa đào tạo về mạng neuron nhân tạo và ứng dụng trong điều khiển bệ thử, nhằm nâng cao trình độ chuyên môn và khả năng vận hành thiết bị, thực hiện định kỳ hàng năm, do các trường đại học và viện nghiên cứu đảm nhiệm.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và kỹ sư trong lĩnh vực kỹ thuật cơ khí động lực: Luận văn cung cấp phương pháp và kết quả ứng dụng mạng neuron nhân tạo trong điều khiển bệ thử, hỗ trợ phát triển các hệ thống mô phỏng lực cản và quán tính chính xác.

2. Phòng thí nghiệm và trung tâm kiểm định phương tiện giao thông: Tham khảo để nâng cấp hoặc thiết kế bệ thử động lực học với bộ điều khiển tiên tiến, giúp cải thiện độ tin cậy và hiệu quả thử nghiệm.

3. Giảng viên và sinh viên ngành kỹ thuật cơ khí, kỹ thuật ô tô: Tài liệu nghiên cứu chi tiết về mô hình động lực học, mạng neuron nhân tạo và ứng dụng thực tế, phục vụ cho giảng dạy và nghiên cứu khoa học.

4. Các nhà phát triển phần mềm và thiết bị điều khiển tự động: Cung cấp cơ sở lý thuyết và thực nghiệm để phát triển các giải pháp điều khiển phi tuyến sử dụng trí tuệ nhân tạo trong lĩnh vực công nghiệp ô tô và xe máy.

Câu hỏi thường gặp

1. Bộ điều khiển mạng neuron nhân tạo có ưu điểm gì so với bộ PID truyền thống?
   Bộ điều khiển mạng neuron có khả năng xấp xỉ các luật điều khiển phi tuyến phức tạp, thích ứng với nhiều điều kiện vận hành và mẫu xe khác nhau, giảm sai số mô phỏng lực cản xuống dưới 5%, trong khi bộ PID thường chỉ hiệu quả với điều kiện cố định và tuyến tính.

2. Phạm vi khối lượng xe thử nghiệm của bệ thử là bao nhiêu?
   Bệ thử được thiết kế để thử nghiệm với khối lượng xe từ 157kg đến 810kg, phù hợp với đa dạng các loại xe gắn máy phổ biến hiện nay.

3. Chu trình thử nghiệm nào được sử dụng trong nghiên cứu?
   Nghiên cứu sử dụng 5 chu trình tiêu chuẩn gồm WMTC part 1, WMTC part 2, WMTC part 3, NEDC và Japan 10-15 mode, đảm bảo tính đại diện cho các điều kiện vận hành thực tế.

4. Mạng neuron được huấn luyện như thế nào?
   Mạng neuron được huấn luyện bằng thuật toán lan truyền ngược Levenberg-Marquardt trên tập dữ liệu đa dạng, bao gồm các biến trạng thái như khối lượng xe, lực kéo, lực cản và vận tốc, nhằm tối ưu hóa trọng số và độ lệch neuron để đạt độ chính xác cao.

5. Ứng dụng thực tiễn của bộ điều khiển này là gì?
   Bộ điều khiển giúp mô phỏng chính xác lực cản và quán tính trên bệ thử, giảm chi phí và tăng tính lặp lại trong thử nghiệm, hỗ trợ công tác đăng kiểm phát thải, thiết kế pin cho xe điện và đào tạo kỹ thuật viên trong lĩnh vực giao thông vận tải.

Kết luận

• Bộ điều khiển mạng neuron nhân tạo đã chứng minh khả năng mô phỏng lực cản và quán tính xe trên bệ thử động lực học với độ chính xác cao, vượt trội so với bộ PID truyền thống.
• Mô hình bệ thử và bộ điều khiển được xây dựng và huấn luyện trên dữ liệu thực nghiệm đa dạng, bao phủ khối lượng xe từ 157kg đến 810kg và nhiều chu trình thử nghiệm tiêu chuẩn.
• Kết quả nghiên cứu góp phần giảm chi phí thử nghiệm, tăng tính linh hoạt và độ tin cậy trong đánh giá hiệu suất xe gắn máy và ô tô.
• Đề xuất triển khai ứng dụng bộ điều khiển mạng neuron trong các bệ thử hiện có và mở rộng nghiên cứu cho các loại xe và điều kiện vận hành khác.
• Các bước tiếp theo bao gồm phát triển giao diện phần mềm tích hợp, đào tạo nhân lực và mở rộng phạm vi huấn luyện mạng neuron để nâng cao hiệu quả ứng dụng thực tế.

Hành động tiếp theo là áp dụng kết quả nghiên cứu vào thực tiễn tại các phòng thí nghiệm và trung tâm kiểm định, đồng thời tiếp tục nghiên cứu mở rộng để nâng cao chất lượng và phạm vi ứng dụng của bộ điều khiển mạng neuron nhân tạo trong lĩnh vực động lực học phương tiện giao thông.

Trích đoạn nội dung tài liệu

Đặt vấn đề Bệ thử động lực học xe hay còn gọi là băng thử xe, chassis dynamometer là một công cụ quan trọng để đánh giá công suất và hiệu suất của xe khi vận hành. Mục tiêu của bệ thử này là tạo ra lực cản mô phỏng quán tính và các thành phần lực cản tương tự như khi xe vận hành trên đường thực tế; khi đó, các kết quả thu thập được như tốc độ tối đa, gia tốc tối đa, suất tiêu hao nhiên liệu và phát thải của xe vận hành trên bệ thử sẽ giống hệt với kết quả khi xe vận hành trên đường thật. Việc thực nghiệm với xe trên đường thật bị giới hạn bởi nhiều vấn đề như thiết bị phức tạp, cồng kềnh; điều kiện thực nghiệm bị thay đổi một cách khách quan. do đó chi phí cho thực nghiệm vừa cao mà kết quả cũng có phần không đáng tin cậy; trong khi đó, bệ thử động lực học cho phép lặp lại điều kiện thử nghiệm để đánh giá tính năng động lực học, tiêu hao nhiên liệu cũng như phát thải ô nhiễm của xe theo chu trình thử.

Bộ điều khiển lực cản của bệ thử cần có tính phi tuyến cao để tạo ra giá trị lực cản là tổng hợp của nhiều thành phần lực cản tương đương khi xe vận hành trên đường: - Lực cản lăn, lực cản quán tính tỉ lệ với khối lượng xe, trong khi khối lượng xe vận hành trên bệ thử cần thay đổi trong một dải rộng. - Lực cản khí động học phụ thuộc bậc hai vào tốc độ xe và một số thông số khác của xe, các thông số này khác nhau cho từng xe và tốc độ xe phụ thuộc vào chu trình thử. Mạng neuron nhân tạo mà một mô hình toán học được xây dựng trên cơ sở não người. Trong thực tế sử dụng, nhiều mạng neuron là các công cụ mô hình hóa dữ liệu thống kê phi tuyến (như dự đoán tài chính, dự đoán nhu cầu năng lượng.

Chúng có thể được dùng để mô hình hóa các mối quan hệ phức tạp giữa dữ liệu vào và kết quả hoặc để tìm kiếm các mẫu trong dữ liệu. Với khả năng có thể thích ứng với mọi thay đổi của đầu vào, mạng có thể được huấn luyện làm bộ xấp xỉ tổng quát, dùng để xấp xỉ luật điều khiển phi tuyến, có tính năng động cao mà bệ thử động lực học xe yêu cầu. Tình hình nghiên cứu trong và ngoài nước Trên thị trường đã có nhiều bệ thử động lực học cho xe với tính năng mô phỏng lực cản tác dụng lên xe. Tuy nhiên, các hệ thống này hầu hết rất phức tạp và giá thành cao, chỉ được trang bị trong một số phòng thí nghiệm hiện đại với mục đích nghiên cứu.

Ví dụ như bệ thử CD 48” được trang bị tại phòng thí nghiệm động cơ đốt trong trọng điểm ĐHQG-TPHCM với chức năng phân tích động lực học, phân tích khí thải khi ô tô chạy trên điều kiện thực, đo tiêu hao nhiên liệu khi ô tô hoạt động.1: Sơ đồ hệ thống bệ thử CD 48” Hay bệ thử 48” Chassis Dynamometer Systems được hãng Mustang Advanced Engineering cung cấp trên toàn cầu, phục vụ trong lĩnh vực chứng nhận công nhận phát thải. Hệ thống cho phép thực hiện các chu trình đo theo tiêu chuẩn FTP75, SFTP (US06), EUDC.2: Bệ thử MUSTANG 48” Chassis Dynamometer Systems Một số nghiên cứu đã được thực hiện để chế tạo các bệ thử trong lĩnh vực cơ khí động lực ở nước ta như nghiên cứu chế tạo bệ thử dòng công suất hở để kiểm tra bền trục các đăng trong hệ thống truyền lực ô tô tải nhẹ của Trần Hữu Danh và các cộng sự, hay nghiên cứu chế tạo băng thử động cơ xe máy của Đoàn Phước Thọ và Nguyễn Thanh Tuấn [1]. Tuy nhiên, bệ thử công suất dòng hở chỉ là một hệ thống gồm động cơ điện kết nối với cơ cấu gây tải thông qua chi tiết cần kiểm tra bền, momen tải đặt lên chi tiết cần kiểm bền không đòi hỏi thay đổi theo điều kiện vận hành thực tế mà chỉ cần phù hợp xác định giới hạn bền của chi tiết đó. Bệ thử xe gắn máy của Đoàn Phước Thọ [2] cũng tương tự như các bệ thử xe gắn máy đã được phân phối trên thị trường như Dynojet 250i chỉ trang bị hệ thống tạo tải cho xe, qua đó giúp xây dựng các đường đặc tính momen, công suất của động cơ cũng như tiêu hao nhiên liệu ở các mức tải khác nhau mà chưa tính đến điều kiện vận hành thực tế trên đường của xe.

Từ những năm 80 của thế kỷ trước, Severino D'Angelo và các cộng sự [3] đã nhận thấy tính thiết yếu của bệ thử động lực học trong ngành ô tô máy động lực, kèm theo đó là việc vi điều khiển ngày càng được sử dụng phổ biến trong các bộ điều khiển của bệ thử, nhóm tác giả đã tiến hành nghiên cứu thiết kế bộ điều khiển mô phỏng quán tính cho bệ thử để khắc phục những giới hạn về điều kiện thử nghiệm bởi kết cấu cơ khí, đặt nền móng cho việc chế tạo loại bệ thử có tính năng mô phỏng quán tính và lực cản 3 đường. Bệ thử ô tô có chức năng mô phỏng lực cản của Christian Matthews và các cộng sự nghiên cứu năm 2009 [4] sử dụng phương pháp xây dựng phương trình vi phân trạng thái Riccati mô tả bệ thử và bộ điều khiển lực cản, và bộ lọc Kalman dự đoán các biến trạng thái ngõ vào hệ phương trình. Song song với đó là sự phát triển của lĩnh vực trí tuệ nhân tạo, học máy.Hunt và các cộng sự đã thực hiện một nghiên cứu khảo sát [5] việc ứng dụng mạng neuron nhân tạo để mô hình hóa, nhận dạng và điều khiển hệ thống phi tuyến. Khảo sát cho thấy việc điều khiển hệ thống bởi mạng neuron nhân tạo thay thế cho các bộ điều khiển thích nghi truyền thống đang được nghiên cứu và thử nghiệm trong nhiều lĩnh vực, từ lý thuyết đến thực nghiệm.

Từ đó, tác giả đưa ra ý tưởng về việc xây dựng bộ điều khiển mạng neuron nhân tạo cho một đối tượng phi tuyến mạnh như bệ thử động lực học có tính năng mô phỏng quán tính và lực cản đường. Mục tiêu nghiên cứu Khi xe vận hành trên đường, tổng hợp lực tác động lên xe bao gồm lực kéo 𝐹𝑘 do động cơ của xe sinh ra, tỏng hợp các thành phần lực cản 𝐹𝑐 : lực cản lăn, lực cản gió, lực cản leo dốc. cân bằng với lực quán tính của xe. Khi xe vận hành trên bệ thử, các thành phần lực cản cũng như quán tính của xe không còn cùng độ lớn như trường hợp xe vận hành trên đường thật.

Cụ thể, tổng hợp lực cản khi xe vận hành trên bệ thử 𝐹𝑑 bao gồm lực cản lăn của cụm con lăn ma sát, quán tính của cụm con lăn ma sát và lực cản do máy điện của bệ thử tạo ra; và lực kéo của xe sinh ra trên bệ thử lúc này là 𝐹𝑤 .3: Mô hình động lực học xe hai bánh khi di chuyển trên đường (trái) và khi vận hành trên bệ thử (phải) Mục đích của mô phỏng khối lượng quán tính xe và lực cản đường là lực kéo xe sinh ra trên bệ thử bằng lực kéo xe sinh ra trên đường tại cùng vận tốc: Khi 𝑣𝑑 = 𝑣𝑣 thì 𝐹𝑤 = 𝐹𝑘 1. Phương pháp nghiên cứu Nghiên cứu sử dụng môi trường mô phỏng SIMULINK của phần mềm MATLAB làm công cụ mô phỏng số để thực hiện các nội dung nghiên cứu, bao gồm: - Mô hình hóa bệ thử xe gắn máy có tính năng giả lập quán tính xe và lực cản đường. - Xây dựng luật điều khiển giả lập quán tính và lực cản đường. - Xây dựng tập dữ liệu huấn luyện cho bộ điều khiển mô phỏng quán tính và lực cản đường.

Ngoài ra, nghiên cứu còn sử dụng Neural Network Toolbox của phần mềm MATLAB trong việc huấn luyện mạng neuron của bộ điều khiển. Các nội dung nghiên cứu Các nội dung nghiên cứu được tác giả thực hiện trong đề tài gồm: - Xây dựng mô hình bệ thử xe gắn máy có chức năng mô phỏng quán tính và lực cản đường. 5 - Xây dựng mạng neuron để xấp xỉ bộ điều khiển mô phỏng lực cản cho bệ thử xe gắn máy. - Đánh giá chất lượng bộ điều khiển.

Phạm vi nghiên cứu Nghiên cứu được thực hiện cho mô hình bệ thử xe gắn máy với một số thông số như: - Khối lượng xe: từ 160kg đến 800kg. - Sử dụng cụm thiết bị tạo lực cản là con lăn hình trụ có khối lượng 250kg, bán kính 0.3m, máy điện ba pha không đồng bộ công suất 44kW được điều khiển thông qua biến tần. Momen cản ma sát theo phương trình: 𝐹𝑓 = 8.6105 (Nm) - Tốc độ tối đa cho phép thử nghiệm là 125km/h. Thử nghiệm được thực hiện trên đường phẳng nằm ngang với 4 mẫu xe và 2 mức tải trọng cho mỗi xe, tổng tải trọng từ 157kg đến 810kg, vận hành theo 5 chu trình tiêu chuẩn: WMTC part 1, WMTC part 2, WMTC part 3, NEDC và Japan 10-15 mode.

Ý nghĩa khoa học – thực tiễn Đề tài góp phần chứng minh khả năng xấp xỉ phi tuyến năng động cao của mạng neuron nhân tạo. Kết quả của đề tài có thể được sử dụng làm công nghệ lõi để phát triển các bệ thử động lực học cho ô tô, xe gắn máy có chức năng mô phỏng lực cản khi xe vận hành trên đường thật. Sản phẩm phục vụ cho đào tạo và nghiên cứu khoa học trong lĩnh vực phương tiện giao thông vận tải, hỗ trợ công tác đăng kiểm công nhận phát thải cho phương tiện sử dụng động cơ đốt trong cũng như hỗ trợ thiết kế dung lượng pin phù hợp cho xe điện. Bệ thử ô tô CD 48” Bệ thử ô tô CD 48” được trang bị tại phòng thí nghiệm động cơ đốt trong trọng điểm ĐHQG-TPHCM có khả năng mô phỏng lực cản đường, qua đó cho phép phân tích động lực học, phân tích khí thải và đo tiêu hao nhiên liệu khi ô tô chạy trên điều kiện thực.

Bệ thử được thiết kế để thử các xe có một cầu chủ động, với một số thông số như: - Khối lượng toàn bộ của xe: từ 454kg đến 5400kg. - Khối lượng cầu chủ động đè lên bệ thử tối đa: 4500kg. - Tốc độ cực đại cho phép: 200km/h. - Công suất tối đa ở chế độ động cơ: 150kW từ 92km/h đến 189km/h.

- Công suất tối đa ở chế độ máy phát: 153kW từ 92km/h đến 200km/h Hình 2.1: Hình ảnh thực tế bệ thử CD 48” trong phòng thí nghiệm 7 Hình 2.