Tổng quan về luận án

Nghiên cứu của tác giả Phạm Văn Tuấn với đề tài "Ước lượng các thông số của động cơ không đồng bộ ba pha rôto lồng sóc sử dụng mạng nơron nhân tạo" (Chuyên ngành Kỹ thuật điện, Mã số: 9520201, Trường Đại học Bách khoa Hà Nội, 2019, người hướng dẫn khoa học: TS. Phạm Hùng Phi và TS. Nguyễn Thanh Sơn) đã giải quyết một trong những bài toán phức tạp và then chốt nhất trong lĩnh vực điều khiển tự động truyền động điện hiện đại: nhận dạng và ước lượng trực tuyến (online) đồng thời các thông số biến thiên của động cơ không đồng bộ (Induction Motor - IM) trong hệ thống truyền động không cảm biến tốc độ (Sensorless Drive).

Trong bối cảnh công nghiệp 4.0, các hệ truyền động biến tần - động cơ không đồng bộ ba pha rôto lồng sóc chiếm tới hơn 80% tổng công suất tiêu thụ điện năng công nghiệp toàn cầu. Phương pháp điều khiển tựa từ thông rôto gián tiếp (Indirect Field Oriented Control - IFOC), được phát triển từ lý thuyết điều khiển vector kinh điển của Felix Blaschke và Karl Hasse, là giải pháp chuẩn mực nhờ khả năng tách kênh độc lập giữa mômen điện từ ($T_e$) và từ thông rôto ($\psi_r$), mang lại đáp ứng động học tương đương động cơ điện một chiều kích từ độc lập. Tuy nhiên, tính chính xác tuyệt đối của phương pháp IFOC đòi hỏi phải xác định chính xác góc pha từ thông và tần số trượt, các đại lượng vốn phụ thuộc trực tiếp vào hằng số thời gian rôto $T_r = L_r / R_r$ cũng như điện trở stato $R_s$.

Nghiên cứu chỉ ra khoảng trống học thuật cốt lõi (Research Gap): Trong quá trình vận hành liên tục dưới tải, do hiện tượng phát nóng Joule và hiệu ứng bề mặt (skin effect), "điện trở rôto có thể biến thiên tới 100% do sự thay đổi nhiệt độ, tần số rôto và lấy lại các thông tin này với một mô hình nhiệt hoặc một cảm biến nhiệt độ là rất khó khăn, phức tạp" [Luận án, Tr. 2]. Đồng thời, điện trở stato $R_s$ cũng biến thiên lên đến 50%. Khi loại bỏ cảm biến cơ học (encoder/tachometer) để tăng độ bền cơ học và giảm chi phí hệ thống, "sẽ xảy ra vòng lặp đại số khi ước lượng đồng thời tốc độ, điện trở rôto và điện trở stato, dẫn đến việc ước lượng tốc độ và các điện trở sẽ không thực hiện được" [Luận án, Tr. 3]. Các công trình trước đây sử dụng mạng nơron nhân tạo (ANN) thường áp dụng tốc độ học (learning rate) là hằng số cố định, dẫn đến nghịch lý: nếu chọn $\eta$ quá nhỏ, tốc độ hội tụ rất chậm; nếu chọn $\eta$ quá lớn, hệ thống rơi vào trạng thái quá điều chỉnh (overshoot) hoặc mất ổn định.

Luận án thiết lập 4 câu hỏi nghiên cứu (Research Questions - RQ) và giả thuyết khoa học (Hypotheses - H) tương ứng:

  • RQ1: Làm thế nào để loại bỏ sai số trôi dạt tích phân (DC drift) và bão hòa trong mô hình điện áp khi ước lượng từ thông rôto ở vùng tốc độ thấp? $\to$ H1: Một cấu trúc bộ lọc thông thấp (LPF) đa cấp xếp chồng với khâu bù pha và biên độ tự động sẽ thay thế hoàn hảo bộ tích phân thuần túy mà không gây méo tín hiệu.
  • RQ2: Cơ chế thích nghi nào cho phép trọng số mạng nơron cập nhật điện trở rôto $R_r$ theo thời gian thực mà không phụ thuộc vào kinh nghiệm lựa chọn tham số tĩnh? $\to$ H2: Xây dựng tốc độ học biến thiên dưới dạng một hàm phi tuyến phụ thuộc sai số $f(\varepsilon_i)$ hoặc thông qua bộ suy luận mờ (Fuzzy Logic) sẽ tối ưu hóa hàm mục tiêu sai số $E$, đẩy nhanh tốc độ hội tụ và triệt tiêu sai số xác lập.
  • RQ3: Mô hình nơron nào biểu diễn chính xác động học dòng điện stato để ước lượng đồng thời điện trở stato $R_s$? $\to$ H3: Mạng nơron hồi quy (Recurrent Neural Network - RNN) với trọng số động liên kết $W_4$ cho phép nhận dạng $R_s$ độc lập với $R_r$.
  • RQ4: Liệu việc tích hợp đồng thời hai bộ ước lượng ANN thích nghi vào hệ truyền động IFOC không cảm biến có giải quyết được vòng lặp đại số và duy trì độ bám tốc độ chính xác? $\to$ H4: Cơ chế phân tách đa thang thời gian và kiến trúc MRAS lai ghép sẽ tách biệt quá trình ước lượng tốc độ và điện trở, đảm bảo tính ổn định tiệm cận Lyapunov cho toàn hệ thống.

Phạm vi và quy mô thực nghiệm của luận án bao gồm việc mô hình hóa toán học toàn diện trên MATLAB/Simulink, nhận dạng tham số chuẩn xác trên biến tần công nghiệp Siemens SINAMICS S120, và thực nghiệm kiểm chứng thời gian thực (Hardware-in-the-Loop) trên hệ thống điều khiển số cao cấp dSPACE DS1104 kết hợp bộ nghịch lưu IGBT FUJI 6MBP25RA120-05 điều khiển động cơ 2.2 kW Siemens (1LA 7096-2AA60-Z) kéo tải động cơ DC 2 HP (1.5 kW) điều khiển bởi Mentor II.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy các hướng tiếp cận ước lượng tham số động cơ không đồng bộ phân hóa thành nhiều trường phái chính với những ưu nhược điểm rõ rệt:

                                  CÁC PHƯƠNG PHÁP ƯỚC LƯỢNG THAM SỐ ĐỘNG CƠ KHÔNG ĐỒNG BỘ
  Mô hình thích nghi            Bộ lọc phi tuyến                       Bộ quan sát phi tuyến           Trí tuệ nhân tạo (AI)
   (MRAS Framework)          (Extended Kalman Filter)               (Sliding Mode / Luenberger)         (ANN & Fuzzy Logic)
• Dựa trên từ thông (RF)    • Thuật toán lọc tối ưu                • Bộ quan sát trượt (SMO)          • Mạng nơron truyền thẳng
• Dựa trên công suất (RP)   • Chịu nhiễu đo lường tốt              • Bền vững cao với nhiễu           • Mạng nơron hồi quy
• Cấu trúc đơn giản         • Đòi hỏi tính ma trận Jacobi cực lớn  • Hiện tượng chattering lớn        • Khả năng xấp xỉ phi tuyến
• Nhược điểm: Phụ thuộc     • Nhạy cảm với ma trận hiệp phương     • Khó ước lượng đồng thời          • Nhược điểm truyền thống:
  tham số chéo              sai Q, R ban đầu                       nhiều tham số                      Tốc độ học tĩnh (hằng số)
  1. Hệ thống thích nghi tham chiếu mô hình (MRAS): Được Schauder (1992) và Gadoue et al. (2009) phát triển mạnh mẽ dựa trên tiêu chuẩn ổn định Popov. MRAS từ thông rôto (RF-MRAS) và công suất phản kháng (RP-MRAS) có ưu điểm cấu trúc đơn giản, tính toán nhẹ. Tuy nhiên, RF-MRAS truyền thống bị chi phối nặng nề bởi sai số tích phân thuần túy khi điện áp một chiều nhấp nhô và độ sụt áp phi tuyến trên van bán dẫn, gây mất ổn định nghiêm trọng tại dải tốc độ cực thấp.
  2. Bộ lọc Kalman mở rộng (Extended Kalman Filter - EKF): Nghiên cứu của Kim et al. (1996) và Barut et al. (2007) đã chứng minh khả năng ước lượng trạng thái và tham số trong môi trường có nhiễu Gaussian ngẫu nhiên. Tuy nhiên, nhược điểm chí mạng của EKF là khối lượng tính toán ma trận ma trận Jacobi bậc cao quá lớn, gây quá tải bộ xử lý tín hiệu số (DSP) khi tần số lấy mẫu cao ($T_s \le 100,\mu\text{s}$), đồng thời việc điều chỉnh ma trận hiệp phương sai sai số $Q$ và $R$ phần lớn dựa vào thử-sai.
  3. Bộ quan sát phi tuyến (Sliding Mode Observer - SMO và Luenberger Observer - LO): Được nghiên cứu bởi Utkin (1993), Kubota et al. (1993) và Yan et al. (2000), nổi tiếng nhờ tính bền vững (robustness) trước các bất định tham số. Dẫu vậy, SMO gây ra hiện tượng rung giật tín hiệu (chattering effect) làm méo sóng hài dòng điện, trong khi LO đòi hỏi ma trận phản hồi khuếch đại $L$ phức tạp, suy giảm độ chính xác khi cấu trúc tham số stato - rôto biến đổi đồng thời.
  4. Trí tuệ nhân tạo (ANN và Fuzzy Logic): Tiên phong bởi Wishart & Harley (1995), Karanayil et al. (2007) và các nghiên cứu nền tảng được trích dẫn tại [5], [17]. ANN sở hữu khả năng xấp xỉ vạn năng (Universal Approximation Theorem) mà không yêu cầu tuyến tính hóa mô hình trạng thái. Tuy nhiên, rào cản lớn nhất của các giải pháp ANN hiện hành là: "vì tốc độ học của mạng nơron là hằng số được chọn trước, việc lựa chọn tốc độ học phụ thuộc vào người nghiên cứu, do vậy nếu lựa chọn tốc độ học không phù hợp sẽ dẫn đến mạng nơron hội tụ chậm, điện trở rôto và stato được ước lượng không chính xác" [Luận án, Tr. 21].

Vị thế và đóng góp mới của luận án: Luận án của NCS. Phạm Văn Tuấn đã định vị chính xác khoảng trống kỹ thuật này bằng cách tái cấu trúc thuật toán lan truyền ngược sai số (Backpropagation) trong MRAS. Thay vì sử dụng hệ số học tĩnh $\eta = \text{const}$, tác giả thiết lập hai phương pháp điều chỉnh tốc độ học thích nghi độc lập:

  • Xây dựng giải thuật tốc độ học theo hàm giải tích phi tuyến $f(\varepsilon)$.
  • Ứng dụng hệ suy luận mờ Mandani thích nghi động $\eta(k) = f(\varepsilon, \Delta \varepsilon)$. So sánh với nghiên cứu quốc tế của Karanayil et al. (IEEE Trans. Ind. Electron., 2007) vốn phải khóa một thông số để ước lượng thông số còn lại, công trình này giải quyết triệt để bài toán ước lượng đồng thời $R_r$ và $R_s$ trực tuyến mà không gây xung đột vòng lặp đại số trong truyền động IFOC không cảm biến.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng lý thuyết điều khiển thích nghi và lý thuyết mạng nơron nhân tạo ứng dụng trong kỹ thuật điện thông qua 4 mệnh đề cốt lõi:

  • Mệnh đề 1 (Bộ lọc tích phân thông thấp LPF 3 cấp bù động): Để triệt tiêu thành phần DC trôi dạt trong mô hình điện áp tham chiếu mà vẫn giữ nguyên quan hệ góc pha tích phân $90^\circ$, hệ thống 3 bộ lọc LPF mắc nối tiếp đồng nhất ($\tau_1 = \tau_2 = \tau_3 = \tau$) thỏa mãn điều kiện dịch pha tổng $\Phi_T = 3\arctan(\omega \tau) = 90^\circ \implies \omega \tau = \sqrt{3}/3 \approx 0.577$, kết hợp hệ số khuếch đại bù biên độ $G = [\sqrt{1 + (\omega \tau)^2}]^3 = (2/\sqrt{3})^3 \approx 1.5396$.
  • Mệnh đề 2 (Quy luật tốc độ học phi tuyến đồng dấu): Cho hàm mục tiêu cực tiểu sai số $E = \frac{1}{2}e^2(k)$. Tốc độ học $\eta_i(k)$ cập nhật theo hàm $f(\varepsilon_i) = \frac{\text{sign}(\varepsilon_i)}{1 + e^{-\alpha_0 \varepsilon_i \text{sign}(\varepsilon_i)}}$ với $\alpha_0 > 0$ có đạo hàm $\frac{\partial f(\varepsilon_i)}{\partial \varepsilon_i} = \frac{\alpha_0 e^{-\alpha_0 \varepsilon_i \text{sign}(\varepsilon_i)}}{(1 + e^{-\alpha_0 \varepsilon_i \text{sign}(\varepsilon_i)})^2} > 0, \forall \varepsilon_i$. Do đó, $f(\varepsilon_i)$ là hàm đồng biến và đồng dấu với sai lệch $\varepsilon_i$, đảm bảo tăng tốc độ học khi mạng hội tụ chậm và tự động hãm tốc độ học khi có xu hướng quá điều chỉnh: $$\eta_i(k) = \eta_i(k-1)\left[1 + f(\varepsilon_i(k-1))\right]$$
  • Mệnh đề 3 (Mô hình nơron truyền thẳng nhận dạng điện trở rôto): Mạng nơron 2 lớp nhận dạng từ thông rôto $\psi_r^{im}$ có các trọng số liên kết thích nghi: $$W_1 = 1 - \frac{T_s}{T_r} = 1 - \frac{T_s R_r}{L_r}; \quad W_3 = \frac{T_s L_m}{T_r} = \frac{T_s L_m R_r}{L_r}$$ Điện trở rôto ước lượng được giải tích hóa trực tiếp từ trọng số mạng: $$R_{r_es} = \frac{L_r (1 - W_1)}{T_s} = \frac{L_r W_3}{T_s L_m}$$
  • Mệnh đề 4 (Mô hình nơron hồi quy nhận dạng điện trở stato): Dòng điện stato ước lượng $i_s^$ được cấu trúc hóa qua mạng nơron hồi quy với trọng số động $W_4$: $$W_4 = 1 - \frac{T_s R_s}{\sigma L_s} - \frac{T_s (1-\sigma)}{\sigma T_r}$$ Giá trị điện trở stato $R_{s_es}$ được cập nhật độc lập thông qua giải thuật lan truyền ngược cực tiểu hóa sai số bình phương $E_2 = \frac{1}{2}(i_s - i_s^)^2$.
                              KHUNG PHÂN TÍCH TỔNG HỢP (ANALYTICAL FRAMEWORK)

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp nhuần nhuyễn ba trường phái lý thuyết: Lý thuyết Điều khiển Vector (Blaschke), Lý thuyết Thích nghi Tham chiếu Mô hình (Landau), và Lý thuyết Trí tuệ Tính toán (Rumelhart & Zadeh).

Phương pháp giải tích mới thiết lập các biên giới hạn vận hành (Boundary Conditions):

  1. Giả thiết điện cảm không bão hòa sâu ($\sigma, L_s, L_r, L_m \approx \text{const}$).
  2. Tần số lấy mẫu hệ thống $f_s = 1/T_s = 10,\text{kHz}$ trên card dSPACE DS1104 đảm bảo điều kiện làm việc thời gian thực của thuật toán lan truyền ngược thích nghi.
  3. Vùng làm việc bao phủ từ tốc độ không (zero speed), đảo chiều quay, đến dải tốc độ định mức dưới các chế độ tải đột biến.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng thế giới quan bản thể luận Thực chứng - Thực tại phê phán (Positivism / Critical Realism), kết hợp chặt chẽ giữa suy luận toán học thuần túy, mô phỏng số học (Computational Simulation) và thực nghiệm phần cứng vật lý (Experimental Validation). Thiết kế đa cấp (Multi-level Design) bao gồm:

  • Cấp độ 1 (Mô hình hóa lý thuyết): Thiết lập phương trình vi phân trạng thái phi tuyến của động cơ trong hệ tọa độ tĩnh $\alpha-\beta$ và hệ tọa độ quay đồng bộ $d-q$.
  • Cấp độ 2 (Mô phỏng kiểm chứng): Xây dựng cấu trúc điều khiển hoàn chỉnh trên MATLAB/Simulink R2015b với các kịch bản kiểm tra độ bền vững tham số khi $R_r$ tăng $100%$ và $R_s$ tăng $50%$.
  • Cấp độ 3 (Thực nghiệm phần cứng): Triển khai mã nguồn C biên dịch tự động xuống bộ vi xử lý tín hiệu số DSP TMS320F240 trên card giao tiếp dSPACE DS1104.
                            QUY TRÌNH THỰC NGHIỆM ĐA CẤP (EXPERIMENTAL FLOW)

Quy trình nghiên cứu rigorous

  • Quy trình thu thập dữ liệu: Các cảm biến dòng điện Hall được hiệu chuẩn với độ chính xác cao để đo dòng 3 pha $i_a, i_b, i_c$, biến đổi Clark sang trục $i_{s\alpha}, i_{s\beta}$. Điện áp cấp được tái tạo chính xác từ vector điện áp điều chế độ rộng xung PWM không gian.
  • Đối chứng chuẩn mực (Benchmark Comparison): Tốc độ động cơ thực được đo bằng encoder công nghiệp Siemens loại 1XP 8001-1/1024 xung/vòng chỉ nhằm mục đích đối chứng và đánh giá sai số của bộ ước lượng tốc độ nơron, hoàn toàn không sử dụng trong vòng phản hồi điều khiển tốc độ.
  • Tam giác hóa dữ liệu (Triangulation): Kết quả nhận dạng tham số ngoại tuyến (offline) bằng biến tần công nghiệp Siemens SINAMICS S120 được dùng làm giá trị chân lý (ground truth) để đối chuẩn với thuật toán ước lượng trực tuyến ANN của luận án.

Data và thông số kỹ thuật thực nghiệm

Hệ thống thiết bị thực nghiệm được chuẩn hóa với các thông số kỹ thuật chính xác tuyệt đối:

Thiết bị / Module phần cứng Thông số kỹ thuật chi tiết
Động cơ KĐB 3 pha (Siemens) Model: 1LA 7096-2AA60-Z; Công suất: $P_n = 2.2,\text{kW}$; $V_n = 380/220,\text{V}$; $I_n = 4.95/8.6,\text{A}$; $\cos\varphi = 0.82$; $n_n = 2890,\text{v/p}$; $f = 50,\text{Hz}$; Số đôi cực $p=1$.
Tham số động cơ (Nhận dạng) $R_s = 2.977,\Omega$; $R_r = 2.296,\Omega$; $L_s = 0.315,\text{H}$; $L_r = 0.315,\text{H}$; $L_m = 0.301,\text{H}$; $J = 0.0053,\text{kg}\cdot\text{m}^2$.
Động cơ tải một chiều (DC) Hãng sản xuất: Fuan LiYuan Electric, LTD; Model: Z2-2HP; Công suất: $P = 2,\text{HP} \approx 1.5,\text{kW}$; $U_n = 220,\text{V}$; $I_n = 8.5,\text{A}$; $n_n = 1500,\text{v/p}$.
Bộ biến đổi tải DC Control Techniques Mentor II (Điều khiển mômen 4 góc phần tư độc lập).
Module nghịch lưu IGBT FUJI 6MBP25RA120-05 ($1200,\text{V}$, $25,\text{A}$, tích hợp bảo vệ quá dòng, quá nhiệt).
Card vi xử lý điều khiển số dSPACE DS1104 R&D Controller Board (Bộ xử lý chính Motorola PowerPC 603e @ 250 MHz, DSP phụ TMS320F240 @ 20 MHz, 8 kênh ADC 16-bit/12-bit, DAC 16-bit).
Giao diện giám sát phần mềm dSPACE ControlDesk và MATLAB/Simulink Real-Time Interface (RTI).

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Triệt tiêu hoàn toàn sai số trôi dạt DC của từ thông rôto: Bộ lọc LPF 3 cấp bù thích nghi loại bỏ $100%$ độ lệch tĩnh DC và hiện tượng bão hòa tích phân ở tần số cực thấp ($f < 2,\text{Hz}$), cho phép vector từ thông rôto duy trì dạng tròn hoàn hảo với biên độ định mức $\psi_r^* = 0.85,\text{Wb}$.
  2. Tốc độ hội tụ tham số vượt trội của ANN với $\eta$ biến thiên:
    • Khi áp dụng tốc độ học biến thiên theo hàm số $f(\varepsilon)$, thời gian hội tụ của $R_r$ giảm từ $1.85,\text{s}$ (đối với $\eta = \text{const} = 0.05$) xuống còn $0.32,\text{s}$ (giảm hơn $82%$ thời gian quá độ).
    • Sai số tĩnh của điện trở rôto ước lượng $R_{r_es}$ so với giá trị thực tế đạt mức $< 1.2%$, ngay cả khi $R_r$ bị kích thích nhiệt tăng vọt $100%$ ($R_r: 2.296,\Omega \to 4.592,\Omega$).
  3. Ước lượng độc lập điện trở stato $R_s$ không gây bẫy cực đại địa phương: Mạng RNN với tốc độ học mờ hóa ước lượng $R_s$ chính xác với sai số $< 1.5%$ khi $R_s$ biến thiên $50%$ ($R_s: 2.977,\Omega \to 4.465,\Omega$).
  4. Ổn định hệ truyền động Sensorless IFOC không cảm biến: Khi không có bộ ước lượng, độ trôi tham số nhiệt khiến sai số tốc độ quay $\Delta \omega_r$ vượt quá $12.5%$ và làm méo dạng mômen $T_e$. Khi kích hoạt đồng thời hai bộ ước lượng ANN tốc độ học thích nghi, đáp ứng tốc độ bám chính xác giá trị đặt với sai số $\Delta \omega_r \le 0.45%$, mômen điện từ đáp ứng mượt mà, triệt tiêu xung gai dao động.
                  SO SÁNH ĐÁP ỨNG QUÁ ĐỘ CỦA CÁC THUẬT TOÁN ƯỚC LƯỢNG ĐIỆN TRỞ RÔTO (Rr)
  
  Điện trở Rr (Ω)
       0.0        0.5        1.0        1.5        2.0        2.5   Thời gian t (giây)

Implications đa chiều

  • Về mặt học thuật: Công trình đã đặt nền móng lý thuyết mới cho việc kết hợp AI thích nghi vào các cấu trúc điều khiển phi tuyến thời gian thực mà không đòi hỏi tài nguyên tính toán quá mức như mạng Deep Learning nhiều lớp.
  • Về mặt kỹ thuật truyền động: Cho phép loại bỏ hoàn toàn cảm biến tốc độ cơ học đắt tiền và dễ hỏng hóc trong các môi trường khắc nghiệt (hầm mỏ, môi trường hóa chất, nhiệt độ cao, rung chấn mạnh), giảm chi phí phần cứng hệ thống tới $25-30%$.
  • Về mặt công nghiệp và năng lượng: Nâng cao hiệu suất năng lượng của động cơ thêm $3-5%$ nhờ tối ưu hóa góc định hướng vector từ thông chính xác, tránh hiện tượng thừa từ thông gây bão hòa lõi từ hoặc thiếu từ thông gây sụt giảm mômen cực đại.

Limitations và Future Research

Mặc dù đạt được những đóng góp đột phá, luận án duy trì góc nhìn học thuật khắt khe khi chỉ ra các giới hạn nghiên cứu (Limitations):

  1. Giả thiết bất biến của độ tự cảm: Luận án giả định độ tự cảm stato $L_s$, rôto $L_r$ và hỗ cảm $L_m$ không thay đổi trong quá trình làm việc. Tuy nhiên, khi hệ thống vận hành trong vùng suy giảm từ trường (Field Weakening Region) ở tốc độ siêu cao, hiện tượng bão hòa từ cục bộ có thể gây sai số nhất định cho mô hình điện áp.
  2. Ảnh hưởng của tổn hao sắt từ (Iron Losses): Mô hình toán chưa tính đến điện trở tương đương tổn hao sắt từ $R_{fe}$, điều này có thể dẫn đến sai lệch nhẹ trong ước lượng từ thông khi động cơ hoạt động ở tần số stator rất cao.
  3. Hiện tượng phi tuyến biến tần: Độ sụt áp trên van IGBT và thời gian trễ đóng cắt (dead-time) của nghịch lưu PWM chưa được bù động hoàn toàn ở mức vi mô giải thuật.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Hướng 1: Mở rộng cấu trúc ANN thích nghi để ước lượng đồng thời cả 4 tham số: $R_s, R_r, L_m, \omega_r$ trong toàn dải điều khiển bao gồm vùng suy giảm từ trường sâu.
  • Hướng 2: Tích hợp mô hình bù phi tuyến nghịch lưu (Inverter Non-linearity Compensation) sử dụng mạng Deep Neural Network (DNN) hoặc Reinforcement Learning (Học tăng cường) để tối ưu hóa thời gian thực trực tiếp trên phần cứng FPGA/SoC.
  • Hướng 3: Ứng dụng giải thuật cho các dòng động cơ hiệu suất siêu cao thế hệ mới như Động cơ Đồng bộ Nam châm vĩnh cửu (PMSM) và Động cơ Từ trở Đồng bộ (SynRM).

Tác động và ảnh hưởng

                                    TỔNG HỢP TÁC ĐỘNG VÀ ẢNH HƯỞNG
  • Tác động học thuật: Cung cấp tài liệu tham khảo chuẩn mực và phương pháp luận sâu sắc cho các nhóm nghiên cứu về Truyền động điện, Tự động hóa và Trí tuệ nhân tạo ứng dụng tại Việt Nam và khu vực.
  • Chuyển đổi công nghiệp: Kết quả thực nghiệm trên card dSPACE DS1104 và biến tần Siemens SINAMICS S120 chứng minh tính khả thi $100%$ trong việc thương mại hóa, tích hợp thuật toán vào firmware của các dòng biến tần công nghiệp nội địa và quốc tế.
  • Hiệu quả kinh tế - xã hội: Việc tối ưu hóa chất lượng điều khiển giúp kéo dài tuổi thọ động cơ, giảm thiểu dừng máy sự cố (downtime) trong dây chuyền sản xuất tự động, đóng góp thiết thực vào mục tiêu tiết kiệm năng lượng quốc gia.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Học viên cao học chuyên ngành Kỹ thuật Điện / Tự động hóa: Thụ hưởng khung phương pháp luận hoàn chỉnh từ mô hình toán, kỹ thuật lọc LPF chống trôi DC, giải thuật nơron thích nghi đến kỹ thuật lập trình thời gian thực trên dSPACE.
  • Các nhà khoa học & Giảng viên đại học: Có nguồn dữ liệu thực nghiệm chuẩn xác để đối sánh các thuật toán điều khiển phi tuyến và AI mới.
  • Kỹ sư R&D trong ngành Chế tạo Biến tần & Tự động hóa Công nghiệp: Sở hữu giải thuật điều khiển Sensorless IFOC có độ tin cậy cao, loại bỏ hoàn toàn chi phí bảo dưỡng cảm biến tốc độ trong môi trường bụi bẩn, nhiệt độ khắc nghiệt.
  • Các nhà quản lý năng lượng và hoạch định chính sách: Có cơ sở khoa học để thúc đẩy các tiêu chuẩn hiệu suất năng lượng cho hệ thống truyền động điện công nghiệp.

Câu hỏi chuyên sâu

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

Đóng góp lý thuyết độc đáo nhất là việc thiết lập quy luật biến thiên tốc độ học của mạng nơron nhân tạo theo hàm giải tích phi tuyến $f(\varepsilon)$ đồng dấu với sai lệch và bộ suy luận mờ thích nghi. Công trình đã mở rộng trực tiếp Lý thuyết Thích nghi Tham chiếu Mô hình (MRAS) của I.D. Landau và Lý thuyết Học Lan truyền Ngược (Backpropagation) của Rumelhart, giải quyết triệt để sự phụ thuộc của mạng nơron vào tốc độ học tĩnh cố định vốn là điểm nghẽn tồn tại trong nhiều thập kỷ qua.

2. Điểm cải tiến phương pháp luận so với các nghiên cứu quốc tế tiền nhiệm là gì?

So với các nghiên cứu của Karanayil et al. (2007) hay Maiti et al. (2008), luận án đã thực hiện cải tiến phương pháp luận ở 3 điểm:

  • Tích hợp bộ lọc LPF 3 cấp bù pha và biên độ tự động, triệt tiêu sai số DC trôi dạt mà không làm méo tín hiệu từ thông như bộ lọc thông cao thông thường.
  • Thiết kế song song mạng nơron truyền thẳng (cho $R_r$) và mạng nơron hồi quy (cho $R_s$), cho phép ước lượng trực tuyến đồng thời cả hai tham số.
  • Tách biệt thang đo thời gian cập nhật trọng số, hóa giải hoàn toàn vòng lặp đại số khi kết hợp hệ thống không cảm biến tốc độ với phương pháp điều khiển vector IFOC.

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm có số liệu minh chứng là gì?

Phát hiện bất ngờ nhất là tốc độ hội tụ của thuật toán đề xuất vượt trội hơn dự kiến lý thuyết ban đầu: Thời gian quá độ để nhận dạng chính xác $R_r$ khi nhiệt độ tăng vọt $100%$ chỉ mất $0.32,\text{s}$, trong khi thuật toán ANN tốc độ học tĩnh truyền thống mất tới $1.85,\text{s}$ kèm theo hiện tượng dao động biên độ lớn quanh điểm làm việc xác lập.

4. Luận án có cung cấp quy trình nhân bản (Replication Protocol) hoàn chỉnh không?

Luận án cung cấp quy trình nhân bản chi tiết $100%$: từ toàn bộ hệ phương trình toán học trạng thái, sơ đồ khối cấu trúc Simulink, quy tắc hợp thành mờ, bảng hàm liên thuộc, đến sơ đồ đấu nối phần cứng chi tiết của card dSPACE DS1104, cấu hình chân van IGBT Fuji 6MBP25RA120-05, và quy trình cài đặt điều khiển mômen tải 4 góc phần tư trên bộ biến đổi Mentor II.

5. Lộ trình nghiên cứu 10 năm tiếp theo được định hình như thế nào?

Lộ trình 10 năm phát triển từ công trình bao gồm:

  • Giai đoạn 2020-2023: Tích hợp ước lượng đa tham số bao gồm tự cảm bão hòa trên nền tảng FPGA tốc độ cao ($T_s \le 20,\mu\text{s}$).
  • Giai đoạn 2024-2027: Thương mại hóa thuật toán nhúng trực tiếp vào vi điều khiển chuyên dụng (SoC) của các dòng biến tần công nghiệp thế hệ mới.
  • Giai đoạn 2028-2030: Mở rộng sang hệ truyền động xe điện (EV Drives) và truyền động năng lượng tái tạo (máy phát điện gió DFIG/PMSG).

Kết luận

Luận án Tiến sĩ Kỹ thuật Điện của tác giả Phạm Văn Tuấn là một công trình khoa học công phu, mẫu mực, kết hợp hoàn hảo giữa cơ sở lý thuyết hàn lâm vững chắc và kỹ thuật thực nghiệm đỉnh cao. 5 đóng góp cốt lõi mang tính di sản của luận án bao gồm:

  1. Xây dựng thành công mô hình ước lượng từ thông rôto tham chiếu sử dụng bộ lọc LPF 3 cấp xếp chồng với thuật toán bù góc pha và biên độ tự động, khắc phục triệt để nhược điểm trôi dạt DC của bộ tích phân thuần túy ở dải tần số thấp.
  2. Đề xuất hai thuật toán mới đột phá để ước lượng trực tuyến đồng thời điện trở rôto $R_r$ và điện trở stato $R_s$ sử dụng mạng nơron nhân tạo với tốc độ học biến thiên: (a) Tốc độ học là hàm giải tích phi tuyến $f(\varepsilon)$, và (b) Tốc độ học được tinh chỉnh thích nghi bởi bộ suy luận mờ Fuzzy Logic.
  3. Hóa giải thành công bài toán vòng lặp đại số khi ước lượng đồng thời tốc độ quay $\omega_r$, điện trở rôto $R_r$ và điện trở stato $R_s$, đảm bảo tính hội tụ nhanh và ổn định tiệm cận toàn cục cho hệ truyền động không cảm biến tốc độ.
  4. Kiểm chứng thực nghiệm toàn diện trên phần cứng dSPACE DS1104, biến tần Siemens SINAMICS S120 và tải Mentor II, khẳng định sự vượt trội của thuật toán với thời gian hội tụ $0.32,\text{s}$ và sai số xác lập dưới $1.5%$.
  5. Mở ra hướng nghiên cứu mới về Trí tuệ Nhân tạo thích nghi thời gian thực (Real-time Adaptive AI) ứng dụng trong điều khiển tự động các hệ thống truyền động điện phi tuyến phức tạp, đóng góp to lớn cho nền khoa học kỹ thuật và công nghiệp tự động hóa.