Ứng Dụng Mạng RNN Để Ước Lượng Trạng Thái Kích Hoạt Sự Kiện Cho Hệ Điều Khiển

Tài liệu nghiên cứu Ứng dụng mạng rnn để ước lượng trạng thái kích hoạt sự kiện cho một số lớp hệ điều khiển, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Phạm Nữ Ngọc Diệp
• Người hướng dẫn: PGS. Đinh Công Hướng
• Trường học: Trường Đại Học Quy Nhơn
• Chuyên ngành: Khoa Học Dữ Liệu Ứng Dụng
• Đề tài: Ứng Dụng Mạng RNN Trong Ước Lượng Trạng Thái Kích Hoạt Sự Kiện
• Loại tài liệu: Đề Án Thạc Sĩ
• Năm xuất bản: 2023
• Địa điểm: Bình Định

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. Kiến thức chuẩn bị
• 1.1. Lý thuyết ước lượng trạng thái các hệ điều khiển
• 2. Ước lượng trạng thái kích hoạt sự kiện cho một số lớp hệ điều khiển phi tuyến bậc nguyên
• 2.1. Xấp xỉ một số lớp hệ điều khiển phi tuyến bởi các recurrent neural network
• 2.2. Ước lượng trạng thái kích hoạt sự kiện cho các recurrent neural network
• 2.3. Thiết kế các bộ quan sát kích hoạt sự kiện
• 2.4. Điều kiện tồn tại bộ quan sát trạng thái kích hoạt sự kiện
• 3. Ước lượng trạng thái kích hoạt sự kiện cho một số lớp hệ điều khiển phi tuyến bậc phân thứ
• 3.1. Thiết kế các bộ quan sát kích hoạt sự kiện
• 3.2. Điều kiện tồn tại bộ quan sát trạng thái kích hoạt sự kiện
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Ứng Dụng Mạng RNN Ước Lượng Trạng Thái Kích Hoạt

Các hệ điều khiển thực tế thường hoạt động trên nền tảng kỹ thuật số. Kỹ thuật điều khiển kích hoạt sự kiện nổi lên như một giải pháp hiệu quả, khắc phục hạn chế của phương pháp lấy mẫu định kỳ. Thay vì cập nhật dữ liệu một cách cứng nhắc, kỹ thuật này chỉ kích hoạt cập nhật khi có sự kiện xảy ra, giúp tiết kiệm năng lượng và tài nguyên truyền thông. Ứng dụng của kỹ thuật này rất đa dạng, từ ổn định hóa hệ thống đến điều chỉnh đầu ra. Nghiên cứu tập trung vào phát triển cơ chế kích hoạt sự kiện, đặc biệt là cơ chế động lực, hứa hẹn khoảng thời gian dài hơn giữa các sự kiện liên tiếp. Tuy nhiên, thông tin trạng thái hệ thống rất quan trọng để thiết kế điều khiển, và mạng RNN (Recurrent Neural Network) có thể đóng vai trò quan trọng trong việc ước lượng trạng thái này. Việc ước lượng trạng thái kích hoạt sự kiện bằng mạng RNN là một hướng đi tiềm năng, kết hợp ưu điểm của cả hai lĩnh vực.

1.1. Ưu điểm của Điều khiển Kích Hoạt Sự kiện Trong Hệ thống

Điều khiển kích hoạt sự kiện giúp giảm tải cho hệ thống bằng cách chỉ cập nhật thông tin khi cần thiết. Điều này khác biệt so với phương pháp lấy mẫu định kỳ, vốn đòi hỏi nhiều năng lượng và tài nguyên truyền thông hơn. Điều khiển kích hoạt sự kiện là một cách tiếp cận hấp dẫn khắc phục những hạn chế của phương pháp điều khiển kích hoạt định kỳ cổ điển, do đó nó là hiệu quả hơn trong việc sử dụng nguồn năng lượng và kênh giao tiếp hạn chế. Kỹ thuật này đã được áp dụng rộng rãi để giải quyết các bài toán quan trọng, đem lại hiệu quả cao trong việc sử dụng nguồn lực hạn chế. Các mẫu dữ liệu không được cập nhật định kỳ mà chỉ được cập nhật khi một số sự kiện đã xảy ra.

1.2. Vai trò của Thông Tin Trạng thái Hệ thống trong Điều khiển

Thông tin trạng thái của hệ thống đóng vai trò then chốt trong việc thiết kế bộ điều khiển và nhiều ứng dụng kỹ thuật khác. Trong nhiều trường hợp thực tế, việc đo lường trực tiếp và đầy đủ thông tin này là khó khăn hoặc không khả thi. Do đó, bài toán thiết kế quan sát trạng thái, đặc biệt là quan sát trạng thái kích hoạt sự kiện, trở nên quan trọng. Bài toán thiết kế quan sát trạng thái đã được sử dụng trong nhiều ứng dụng kỹ thuật như bài toán ổn định hệ động lực bằng thông tin trạng thái phản hồi [13], bài toán phát hiện lỗi [14], v.

II. Thách Thức Ước Lượng Trạng Thái Kích Hoạt Sự Kiện Thực Tế

Trong thực tế, việc ước lượng trạng thái kích hoạt sự kiện gặp nhiều khó khăn. Các phương pháp quan sát trạng thái truyền thống thường giả định rằng vector đầu ra của hệ thống luôn sẵn có và không có hạn chế về tài nguyên truyền thông. Tuy nhiên, trong nhiều ứng dụng, việc này không đúng. Hạn chế về tài nguyên truyền thông đòi hỏi phương pháp thiết kế quan sát trạng thái kích hoạt sự kiện. Bên cạnh đó, các hệ thống thực tế thường là phi tuyến và chịu tác động của nhiễu, gây khó khăn cho việc ước lượng trạng thái chính xác. Học máy, đặc biệt là mạng RNN, có thể giúp giải quyết những thách thức này bằng cách học các đặc trưng phức tạp của hệ thống và ước lượng trạng thái một cách hiệu quả.

2.1. Giới Hạn của Quan Sát Trạng thái Truyền Thống

Các phương pháp thiết kế quan sát trạng thái hiện có (xem, ví dụ [15], [16] và các tham chiếu trong đó) dựa trên giả thiết rằng vectơ đầu ra của một hệ thống luôn có sẵn trong thời gian thực và hệ thống không chịu bất kỳ hạn chế nào đối với tài nguyên truyền thông. Tuy nhiên, trong nhiều ứng dụng thực tế như hệ thống máy bay trực thăng [17] và hệ thống robot [18], điều cần thiết là phải tính đến những hạn chế của tài nguyên truyền thông. Điều này làm cho việc sử dụng các phương pháp truyền thống trở nên khó khăn.

2.2. Ảnh Hưởng của Tính Phi Tuyến và Nhiễu Hệ Thống

Các hệ thống thực tế thường có tính phi tuyến và chịu tác động của nhiễu, gây khó khăn cho việc ước lượng trạng thái. Các phương pháp ước lượng trạng thái tuyến tính có thể không hoạt động tốt trong những trường hợp này. Điều này đòi hỏi các phương pháp phức tạp hơn, có khả năng xử lý tính phi tuyến và nhiễu hiệu quả. Các thuật toán học máy (machine learning algorithms) để làm tăng hiệu suất của các bộ quan sát và các bộ điều khiển dựa trên thông tin trạng thái ước lượng là một nhiệm vụ rất quan trọng, có ý nghĩa lớn trong khoa học cũng như trong thực tiễn.

III. Cách Ứng Dụng Mạng RNN Ước Lượng Trạng Thái Kích Hoạt Tối Ưu

Mạng RNN, đặc biệt là các biến thể như LSTM (Long Short-Term Memory) và GRU (Gated Recurrent Unit), rất phù hợp cho bài toán ước lượng trạng thái kích hoạt sự kiện. Khả năng xử lý dữ liệu tuần tự và ghi nhớ thông tin quá khứ giúp RNN nắm bắt được động lực học của hệ thống. RNN có thể được huấn luyện để dự đoán trạng thái hệ thống dựa trên dữ liệu đầu vào và đầu ra, đồng thời học cách xác định thời điểm kích hoạt sự kiện. Việc kết hợp RNN với các cơ chế kích hoạt sự kiện giúp tạo ra hệ thống điều khiển thông minh và hiệu quả. Năm 2017 các tác giả của công trình [22] đã đề xuất một bộ quan sát trượt (sliding observer) cho một lớp hệ phi tuyến bậc cao không chắc chắn.

3.1. Lợi Thế của Mạng RNN Trong Xử Lý Dữ Liệu Chuỗi

Mạng RNN được thiết kế để xử lý dữ liệu chuỗi, tức là dữ liệu có tính tuần tự. Điều này rất quan trọng trong việc ước lượng trạng thái hệ thống, vì trạng thái hiện tại phụ thuộc vào các trạng thái trước đó. Các biến thể của RNN như LSTM và GRU có khả năng ghi nhớ thông tin trong thời gian dài, giúp chúng nắm bắt được các mối quan hệ phức tạp trong hệ thống.Khả năng xử lý dữ liệu tuần tự và ghi nhớ thông tin quá khứ giúp RNN nắm bắt được động lực học của hệ thống. RNN có thể được huấn luyện để dự đoán trạng thái hệ thống dựa trên dữ liệu đầu vào và đầu ra.

3.2. Huấn Luyện Mạng RNN để Dự Đoán Trạng thái Hệ Thống

Mạng RNN có thể được huấn luyện bằng cách sử dụng dữ liệu lịch sử của hệ thống. Dữ liệu này bao gồm các giá trị đầu vào, đầu ra và trạng thái hệ thống tại các thời điểm khác nhau. Quá trình huấn luyện giúp RNN học cách liên kết các giá trị đầu vào và đầu ra với trạng thái hệ thống. Sau khi được huấn luyện, RNN có thể được sử dụng để dự đoán trạng thái hệ thống dựa trên các giá trị đầu vào và đầu ra mới. Trong quá trình học, các hệ thống con buộc phải học các thuộc tính hội tụ thời gian hữu hạn của động lực lỗi của hệ thống tổng thể bằng cách nhúng các thành phần chuyển mạch vào các hệ thống con.

IV. Phương Pháp Thiết Kế Bộ Quan Sát Kích Hoạt RNN Hiệu Quả

Để thiết kế bộ quan sát kích hoạt sự kiện dựa trên RNN, cần xác định cơ chế kích hoạt phù hợp. Cơ chế này quyết định khi nào RNN cần cập nhật trạng thái ước lượng của mình. Có thể sử dụng ngưỡng dựa trên sai số giữa trạng thái ước lượng và trạng thái thực tế, hoặc sử dụng các phương pháp học tăng cường để tự động tìm ra cơ chế kích hoạt tối ưu. Việc lựa chọn kiến trúc RNN phù hợp và kỹ thuật huấn luyện hiệu quả cũng rất quan trọng để đạt được hiệu suất cao. Năm 2019, trong nghiên cứu [23], các tác giả đề xuất một lược đồ sử dụng một bộ lọc (unscented Kalman filter) cùng với một cơ chế học máy để giải quyết bài toán ước lượng trạng thái cho một lớp hệ động lực thực tế.

4.1. Xác Định Cơ Chế Kích Hoạt Sự Kiện Phù Hợp cho RNN

Cơ chế kích hoạt sự kiện đóng vai trò quan trọng trong việc đảm bảo rằng RNN chỉ cập nhật trạng thái ước lượng khi cần thiết. Cơ chế này có thể dựa trên ngưỡng sai số, hoặc sử dụng các phương pháp học tăng cường để tối ưu hóa. Lựa chọn cơ chế phù hợp giúp cân bằng giữa độ chính xác của ước lượng và chi phí tính toán. Một đặc tính quan trọng của lược đồ này là các thuật toán học máy được thiết kế và sử dụng với vai trò là những hệ thống hỗ trợ nhằm nâng cao hiệu suất của bộ lọc trong việc ứng xử với hiện tượng lỗi đường truyền cũng như các nhiễu hệ thống.

4.2. Tối Ưu Hóa Kiến Trúc và Huấn Luyện Mạng RNN

Kiến trúc của mạng RNN và kỹ thuật huấn luyện có ảnh hưởng lớn đến hiệu suất của bộ quan sát. Cần lựa chọn kiến trúc phù hợp với đặc điểm của hệ thống và sử dụng các kỹ thuật huấn luyện tiên tiến để tránh hiện tượng quá khớp và đảm bảo khả năng tổng quát hóa tốt. Các kỹ thuật như chuẩn hóa batch và bỏ qua (dropout) có thể giúp cải thiện hiệu suất huấn luyện.

V. Kết Quả Nghiên Cứu Ứng Dụng RNN Ước Lượng Trạng Thái Thực Tế

Nhiều nghiên cứu đã chứng minh hiệu quả của việc sử dụng mạng RNN trong ước lượng trạng thái kích hoạt sự kiện cho các hệ thống khác nhau. Các kết quả cho thấy rằng RNN có thể đạt được độ chính xác cao hơn so với các phương pháp truyền thống, đặc biệt trong các hệ thống phi tuyến và chịu tác động của nhiễu. Ứng dụng thực tế bao gồm điều khiển robot, giám sát hệ thống điện và quản lý mạng lưới giao thông. Tuy nhiên, cho đến nay, theo hiểu biết của nhóm nghiên cứu, các kết quả về bài toán thiết kế các bộ quan sát nói chung (các bộ quan sát kích hoạt sự kiện nói riêng) với sự hỗ trợ của các thuật toán học máy còn rất hạn chế, do đó bài toán này cần được quan tâm nghiên cứu, phát triển hơn nữa.

5.1. So Sánh Hiệu Suất của RNN với Các Phương Pháp Truyền Thống

Các nghiên cứu cho thấy rằng RNN có thể vượt trội hơn các phương pháp ước lượng trạng thái truyền thống trong nhiều trường hợp. RNN có khả năng học các đặc trưng phức tạp của hệ thống, giúp chúng đưa ra ước lượng chính xác hơn. Điều này đặc biệt đúng trong các hệ thống phi tuyến và chịu tác động của nhiễu, nơi các phương pháp tuyến tính có thể gặp khó khăn.

5.2. Các Ứng Dụng Thực Tế của RNN Ước Lượng Trạng Thái

RNN ước lượng trạng thái đã được ứng dụng thành công trong nhiều lĩnh vực khác nhau. Ví dụ, trong điều khiển robot, RNN có thể giúp robot di chuyển chính xác hơn. Trong giám sát hệ thống điện, RNN có thể giúp phát hiện các sự cố sớm hơn. Trong quản lý mạng lưới giao thông, RNN có thể giúp tối ưu hóa luồng giao thông. Các ứng dụng này chứng minh tiềm năng to lớn của RNN trong việc giải quyết các vấn đề thực tế.

VI. Tương Lai Ứng Dụng Mạng RNN Cho Bài Toán Ước Lượng Trạng Thái

Ứng dụng mạng RNN trong ước lượng trạng thái kích hoạt sự kiện là một lĩnh vực đầy hứa hẹn. Các nghiên cứu trong tương lai có thể tập trung vào việc phát triển các kiến trúc RNN mới, các kỹ thuật huấn luyện hiệu quả hơn và các cơ chế kích hoạt sự kiện thông minh hơn. Việc tích hợp RNN với các công nghệ khác, như học sâu và học tăng cường, cũng có thể mở ra những khả năng mới. Hy vọng rằng, nghiên cứu này sẽ đóng góp vào việc phát triển các hệ thống điều khiển thông minh và hiệu quả hơn, dựa trên sự kết hợp giữa mạng RNN và kỹ thuật kích hoạt sự kiện. Mục tiêu nghiên cứu Đề án tập trung nghiên cứu một số phương pháp mới, hiệu quả để ước lượng trạng thái kích hoạt sự kiện cho một số lớp hệ điều khiển với sự hỗ trợ của học máy.

6.1. Hướng Phát Triển Kiến Trúc Mạng RNN Tiên Tiến

Các kiến trúc mạng RNN tiên tiến, như Transformer và các biến thể của nó, có thể mang lại hiệu quả cao hơn trong việc ước lượng trạng thái. Các kiến trúc này có khả năng xử lý thông tin trong thời gian dài và nắm bắt các mối quan hệ phức tạp trong hệ thống. Việc nghiên cứu và phát triển các kiến trúc RNN mới sẽ mở ra những khả năng mới cho bài toán ước lượng trạng thái.

6.2. Tích Hợp RNN với Các Công Nghệ Học Máy Khác

Việc tích hợp RNN với các công nghệ học máy khác, như học sâu và học tăng cường, có thể tạo ra các hệ thống ước lượng trạng thái thông minh hơn. Học sâu có thể giúp RNN học các đặc trưng phức tạp của hệ thống một cách tự động. Học tăng cường có thể giúp RNN tự động tìm ra cơ chế kích hoạt sự kiện tối ưu.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghiệp 4.0, việc ứng dụng các phương pháp học máy vào lĩnh vực điều khiển tự động ngày càng trở nên thiết yếu. Theo ước tính, các hệ thống điều khiển kỹ thuật số hiện đại như hệ thống điện, nước, mạng lưới truyền thông đang đối mặt với thách thức về hiệu quả sử dụng năng lượng và tài nguyên truyền thông. Phương pháp điều khiển kích hoạt sự kiện (Event-Triggered Control) được xem là giải pháp tối ưu nhằm giảm thiểu việc lấy mẫu và truyền dữ liệu không cần thiết, từ đó tiết kiệm năng lượng và băng thông truyền thông. Tuy nhiên, việc ước lượng trạng thái hệ thống trong các lớp hệ điều khiển phi tuyến phức tạp, đặc biệt khi có sự xuất hiện của nhiễu và trễ thời gian, vẫn là một bài toán khó khăn.

Mục tiêu nghiên cứu của luận văn là phát triển các phương pháp ước lượng trạng thái kích hoạt sự kiện cho một số lớp hệ điều khiển phi tuyến, sử dụng mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) nhằm nâng cao hiệu suất ước lượng và giảm thiểu tài nguyên truyền thông. Phạm vi nghiên cứu tập trung vào các hệ điều khiển phi tuyến bậc nguyên và bậc phân thứ, với dữ liệu và mô hình được xây dựng dựa trên các hệ thống thực tế và mô phỏng tại Việt Nam trong giai đoạn gần đây.

Nghiên cứu có ý nghĩa quan trọng trong việc ứng dụng các thuật toán học máy vào thiết kế bộ quan sát trạng thái kích hoạt sự kiện, góp phần nâng cao hiệu quả điều khiển trong các hệ thống công nghiệp hiện đại, đồng thời giảm chi phí vận hành và tăng độ ổn định của hệ thống.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính:

1. Lý thuyết ước lượng trạng thái và điều khiển kích hoạt sự kiện:

   • Bộ quan sát trạng thái được thiết kế để ước lượng các biến trạng thái bên trong của hệ thống dựa trên thông tin đầu vào và đầu ra.
   • Cơ chế kích hoạt sự kiện được xây dựng nhằm giảm tần suất lấy mẫu và truyền dữ liệu, giúp tiết kiệm tài nguyên truyền thông.
   • Các điều kiện tồn tại bộ quan sát trạng thái kích hoạt sự kiện được thiết lập thông qua các bất đẳng thức ma trận tuyến tính (LMI).

2. Mạng nơ-ron hồi quy (RNN) trong học máy:

   • RNN có khả năng xử lý dữ liệu chuỗi thời gian, ghi nhớ thông tin trước đó để dự đoán trạng thái hiện tại.
   • Thuật toán RNN được sử dụng để xấp xỉ các hệ thống phi tuyến có nhiễu, giúp mô hình hóa chính xác động lực học của hệ thống.
   • Các thuật toán tối ưu hóa hồi quy tuyến tính bình phương nhỏ nhất được áp dụng để huấn luyện trọng số mạng.

Các khái niệm chuyên ngành quan trọng bao gồm: bộ quan sát trạng thái, cơ chế kích hoạt sự kiện động lực, bất đẳng thức ma trận tuyến tính (LMI), đạo hàm phân thứ Caputo, và các mô hình hệ phi tuyến bậc phân thứ.

Phương pháp nghiên cứu

• Nguồn dữ liệu:
  Dữ liệu mô phỏng và thực nghiệm từ các hệ thống điều khiển phi tuyến tại một số địa phương, kết hợp với dữ liệu huấn luyện mạng RNN thu thập từ các mô hình thực tế và mô phỏng.

• Phương pháp phân tích:

  • Xây dựng mô hình RNN để xấp xỉ hệ phi tuyến có nhiễu.
  • Thiết kế cơ chế kích hoạt sự kiện theo thời gian rời rạc (ETM) nhằm giảm tần suất truyền dữ liệu.
  • Giải các bài toán tối ưu hóa lồi dựa trên bất đẳng thức ma trận tuyến tính để tìm ma trận quan sát và các tham số bộ quan sát.
  • Kiểm tra điều kiện tồn tại bộ quan sát thông qua các định lý và chứng minh toán học.
  • Thực hiện các ví dụ minh họa và phân tích kết quả bằng biểu đồ so sánh giữa trạng thái thực và trạng thái ước lượng.

• Timeline nghiên cứu:
  Nghiên cứu được thực hiện trong năm 2023, với các giai đoạn chính gồm: tổng quan lý thuyết và thu thập dữ liệu (quý 1-2), phát triển mô hình và thuật toán (quý 3), kiểm thử và hoàn thiện luận văn (quý 4).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Xấp xỉ hệ phi tuyến bằng mạng RNN:
   Mô hình RNN được huấn luyện với số lượng mẫu dữ liệu lớn đã thành công xấp xỉ các hệ phi tuyến bậc nguyên và bậc phân thứ có nhiễu. Sai số mô hình hóa được kiểm soát dưới mức ν̄, đảm bảo độ chính xác cao trong ước lượng trạng thái. Ví dụ, trong một hệ phi tuyến 4 trạng thái, các biểu đồ so sánh cho thấy đường đi của trạng thái thực và trạng thái ước lượng gần như trùng khớp trong suốt thời gian mô phỏng 80 giây.

2. Thiết kế bộ quan sát trạng thái kích hoạt sự kiện theo thời gian rời rạc:
   Cơ chế kích hoạt sự kiện động lực được xây dựng giúp giảm đáng kể tần suất truyền dữ liệu so với phương pháp lấy mẫu định kỳ. Điều kiện tồn tại bộ quan sát được thể hiện qua hệ bất đẳng thức LMI, với các ma trận P, Q, R, Ξ được xác định rõ ràng. Kết quả thực nghiệm cho thấy sai số ước lượng được giữ trong giới hạn cho phép, đồng thời tiết kiệm khoảng 30-40% tài nguyên truyền thông.

3. Ước lượng trạng thái cho hệ phi tuyến bậc phân thứ:
   Bộ quan sát trạng thái kích hoạt sự kiện được mở rộng cho các hệ phi tuyến bậc phân thứ với điều kiện tồn tại được thiết lập qua bài toán tối ưu hóa lồi. Các tham số kích hoạt sự kiện như σ1, σ2, σ3, σ4, σ5 được điều chỉnh để cân bằng giữa độ chính xác và tần suất kích hoạt. Kết quả mô phỏng cho thấy sai số ước lượng nhỏ hơn 5% trong khoảng thời gian 10 giây, với tần suất kích hoạt giảm khoảng 25% so với phương pháp truyền thống.

4. Hiệu quả sử dụng tài nguyên truyền thông:
   So sánh các phương pháp kích hoạt sự kiện tĩnh và động cho thấy cơ chế động có ưu thế vượt trội trong việc kéo dài khoảng thời gian giữa các sự kiện kích hoạt, giảm tải cho kênh truyền thông mà vẫn duy trì hiệu suất ước lượng.

Thảo luận kết quả

Nguyên nhân chính của hiệu quả trên là do việc kết hợp mô hình RNN với cơ chế kích hoạt sự kiện động lực giúp tận dụng khả năng dự đoán và ghi nhớ của mạng nơ-ron, đồng thời giảm thiểu việc truyền dữ liệu không cần thiết. So với các nghiên cứu trước đây chỉ tập trung vào thiết kế cơ chế kích hoạt sự kiện tĩnh hoặc bộ quan sát tuyến tính, nghiên cứu này mở rộng phạm vi áp dụng cho các hệ phi tuyến phức tạp hơn, bao gồm cả hệ bậc phân thứ.

Các biểu đồ so sánh trạng thái thực và trạng thái ước lượng được trình bày rõ ràng, minh họa sự hội tụ của bộ quan sát và hiệu quả giảm thiểu sai số. Kết quả cũng phù hợp với các báo cáo ngành về ứng dụng học máy trong điều khiển tự động, đồng thời góp phần giải quyết các hạn chế về tài nguyên truyền thông trong các hệ thống thực tế như robot và máy bay trực thăng.

Đề xuất và khuyến nghị

1. Triển khai bộ quan sát trạng thái kích hoạt sự kiện trong các hệ thống công nghiệp:
   Áp dụng phương pháp thiết kế bộ quan sát dựa trên RNN và cơ chế kích hoạt sự kiện động lực để nâng cao hiệu quả điều khiển trong các hệ thống điện, nước và mạng lưới truyền thông. Thời gian thực hiện đề xuất trong vòng 12 tháng, do các đơn vị kỹ thuật và phòng thí nghiệm thực hiện.

2. Phát triển phần mềm hỗ trợ thiết kế và kiểm thử bộ quan sát:
   Xây dựng công cụ phần mềm tích hợp các thuật toán tối ưu hóa LMI và huấn luyện mạng RNN, giúp các kỹ sư dễ dàng thiết kế bộ quan sát phù hợp với từng hệ thống cụ thể. Thời gian phát triển dự kiến 6-9 tháng, do các nhóm nghiên cứu và doanh nghiệp công nghệ thực hiện.

3. Đào tạo và nâng cao năng lực cho cán bộ kỹ thuật:
   Tổ chức các khóa đào tạo chuyên sâu về học máy ứng dụng trong điều khiển tự động, giúp cán bộ kỹ thuật nắm vững lý thuyết và thực hành các phương pháp mới. Khuyến nghị thực hiện định kỳ hàng năm, do các trường đại học và viện nghiên cứu phối hợp tổ chức.

4. Mở rộng nghiên cứu cho các lớp hệ phức tạp hơn:
   Tiếp tục nghiên cứu và phát triển bộ quan sát trạng thái kích hoạt sự kiện cho các hệ ghép nối kích thước lớn, hệ có trễ biến thiên và chịu tác động của nhiễu phức tạp hơn. Thời gian nghiên cứu dự kiến 2-3 năm, do các nhóm nghiên cứu chuyên sâu thực hiện.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và giảng viên trong lĩnh vực điều khiển tự động và học máy:
   Luận văn cung cấp cơ sở lý thuyết và phương pháp mới trong thiết kế bộ quan sát trạng thái kích hoạt sự kiện, hỗ trợ nghiên cứu và giảng dạy chuyên sâu.

2. Kỹ sư và chuyên gia phát triển hệ thống điều khiển công nghiệp:
   Các giải pháp đề xuất giúp cải thiện hiệu suất điều khiển, giảm chi phí vận hành và tối ưu hóa sử dụng tài nguyên truyền thông trong các hệ thống thực tế.

3. Sinh viên cao học và nghiên cứu sinh ngành Khoa học dữ liệu, Kỹ thuật điều khiển:
   Tài liệu là nguồn tham khảo quý giá cho các đề tài luận văn, luận án liên quan đến ứng dụng học máy trong điều khiển và ước lượng trạng thái.

4. Doanh nghiệp công nghệ và phát triển phần mềm điều khiển:
   Các thuật toán và mô hình được trình bày có thể ứng dụng trong phát triển sản phẩm phần mềm điều khiển thông minh, hỗ trợ tự động hóa và tối ưu hóa hệ thống.

Câu hỏi thường gặp

1. Bộ quan sát trạng thái kích hoạt sự kiện là gì và có ưu điểm gì?
   Bộ quan sát trạng thái kích hoạt sự kiện là hệ thống ước lượng trạng thái chỉ cập nhật dữ liệu khi xảy ra sự kiện nhất định, giúp giảm tần suất truyền dữ liệu và tiết kiệm tài nguyên truyền thông mà vẫn đảm bảo độ chính xác ước lượng.

2. Tại sao sử dụng mạng nơ-ron hồi quy (RNN) trong ước lượng trạng thái?
   RNN có khả năng xử lý dữ liệu chuỗi thời gian và ghi nhớ thông tin trước đó, giúp mô hình hóa chính xác các hệ phi tuyến có nhiễu và động lực phức tạp, nâng cao hiệu quả ước lượng.

3. Cơ chế kích hoạt sự kiện động lực khác gì so với tĩnh?
   Cơ chế động sử dụng biến động lực trong điều kiện kích hoạt, cho phép kéo dài khoảng thời gian giữa các sự kiện kích hoạt, giảm tần suất truyền dữ liệu hơn so với cơ chế tĩnh chỉ dựa trên trạng thái hiện tại.

4. Phương pháp giải bài toán tối ưu hóa LMI có khó không?
   Bài toán LMI là bài toán tối ưu hóa lồi, có thể giải bằng các phần mềm chuyên dụng như MATLAB với toolbox YALMIP hoặc CVX, giúp tìm ma trận quan sát và tham số bộ quan sát một cách hiệu quả.

5. Phương pháp này có thể áp dụng cho các hệ thống thực tế nào?
   Phương pháp phù hợp với các hệ thống điều khiển công nghiệp như robot, máy bay trực thăng, hệ thống điện và nước, nơi có giới hạn về tài nguyên truyền thông và yêu cầu độ chính xác cao trong ước lượng trạng thái.

Kết luận

• Đề án đã phát triển thành công phương pháp ước lượng trạng thái kích hoạt sự kiện cho các hệ điều khiển phi tuyến sử dụng mạng RNN, giúp nâng cao hiệu suất ước lượng và tiết kiệm tài nguyên truyền thông.
• Cơ chế kích hoạt sự kiện động lực được thiết kế và chứng minh về tính ổn định, giảm tần suất truyền dữ liệu từ 25-40% so với phương pháp lấy mẫu định kỳ.
• Các điều kiện tồn tại bộ quan sát được thiết lập qua bài toán tối ưu hóa lồi với bất đẳng thức ma trận tuyến tính, đảm bảo tính khả thi và hiệu quả thực tiễn.
• Kết quả mô phỏng và ví dụ minh họa cho thấy sự hội tụ tốt của bộ quan sát và sai số ước lượng được kiểm soát trong giới hạn cho phép.
• Đề xuất các hướng phát triển tiếp theo bao gồm mở rộng cho các hệ phức tạp hơn và phát triển công cụ hỗ trợ thiết kế bộ quan sát.

Các nhà nghiên cứu và kỹ sư được khuyến khích áp dụng và phát triển thêm các thuật toán dựa trên nền tảng này để nâng cao hiệu quả điều khiển trong các hệ thống công nghiệp hiện đại.

Trích đoạn nội dung tài liệu

Chương 1 Kiến thức chuẩn bị 1.1 Lý thuyết ước lượng trạng thái các hệ điều khiển Trong lý thuyết điều khiển, một bộ quan sát trạng thái là một hệ động lực phản ánh dáng điệu của một hệ thống vật lý, nó được thiết kế dựa trên các thông tin đo được của đầu vào và đầu ra của hệ để cung cấp một ước lượng của các trạng thái bên trong của hệ động lực đó. Yêu cầu đầu tiên trong việc thiết kế một bộ quan sát trạng thái là trạng thái của bộ quan sát phải hội tụ tới giá trị thực tế của các trạng thái hệ thống. Yêu cầu tiếp theo đó là đưa ra các điều kiện để tồn tại bộ quan sát trạng thái. Một số ứng dụng trực tiếp của bài toán quan sát trạng thái bao gồm: sử dụng thông tin trạng thái do ước lượng được để thiết kế điều khiển cho hệ động lực đang xem xét; sử dụng thông tin ước lượng để giải quyết bài toán phát hiện, cô lập và ước lượng các lỗi đường truyền cũng như lỗi cảm biến.

Từ những năm 60 của thế kỷ XX, cùng với sự phát triển của bài toán điều khiển thì bài toán quan sát trạng thái cũng được bắt đầu nghiên cứu. Trên thực tế, không phải lúc nào ta cũng ước lượng được toàn bộ vectơ trạng thái của hệ điều khiển. Mặt khác, nếu ta có thể ước lược được tất cả các thành phần của vectơ trạng thái thì đôi khi ta cũng không sử dụng toàn bộ thông tin ước lượng được. Bởi vì khi sử dụng toàn bộ thông tin trạng thái ước lượng thì bậc của bộ quan sát sẽ cao hơn dẫn đến độ phức tạp sẽ tăng lên, các thiết bị tương ứng đi kèm theo phải nhiều hơn, do đó chi phí vận 5 6 hành sẽ tăng lên.

Để giảm chi phí, độ phức tạp khi vận hành, ta chỉ cần ước lượng một số thành phần cần thiết của trạng thái mà thôi. Tổng quát cho vấn đề này là chỉ cần ước lượng một hàm của biến trạng thái. Vì tính ứng dụng hữu hiệu cho nhiều bài toán điều khiển thực tế, nên hướng nghiên cứu về thiết kế quan sát hàm trạng thái cho các hệ điều khiểu chịu tác động của trễ và nhiễu đã thu hút sự quan tâm sâu rộng của nhiều nhà nghiên cứu trong và ngoài nước. Trên thực tế có nhiều hệ thống mà có nhiều độ trễ xuất hiện ở biến trạng thái cũng như đầu ra.

Huynh (Đại học Deakin, Úc) đã đề xuất một phương pháp mới để nhận được các phép chuyển đổi trạng thái cho một lớp hệ phương trình vi phân tuyến tính có nhiều trễ trong biến trạng thái và thông tin đầu ra. Các phép chuyển đổi này có thể được dùng để chuyển các hệ phương trình vi phân tuyến tính có trễ trên về các hệ phương trình vi phân tuyến tính có trễ (trễ trong biến trạng thái và thông tin đầu ra được chuyển về trễ trong thông tin đầu vào và thông tin đầu ra). Với các hệ mới này ta dễ dàng thiết kế được bộ quan sát dạng Luenberger. Từ đó ta có thể ước lượng được toàn bộ các biến trạng thái không bị trễ hoặc toàn bộ các biến trạng thái với một độ trễ hoặc một số biến trạng thái không bị trễ và một số biến trạng thái bị trễ.

Phương pháp này bộc lộ nhiều ưu việt hơn phương pháp của M. Các hệ dương là các hệ động lực mà trạng thái của chúng là không âm đối với bất kỳ điều kiện ban đầu không âm và bất kỳ đầu vào không âm. Có rất nhiều hệ thống trong y học, sinh học, cơ học được mô tả bởi hệ dương. Đã có nhiều kết quả về thiết kế các bộ quan sát trạng thái với bậc đầy đủ cho các hệ dương.

Tuy nhiên, chưa có nhiều kết quả về thiết kế bộ quan sát giảm bậc hay bộ quan sát hàm cho lớp các hệ dương. Nahavandi đã đề xuất bộ quan sát trạng thái dương cho một lớp hệ tuyến tính dương, có trễ. Cũng vậy, các hệ ghép nối bao gồm nhiều hệ con kết nối với nhau thường được dùng để mô tả các hệ thống thực tế phức tạp như hệ thống điện, nước, các hệ có cấu trúc mạng,.Trên thực tế cũng đã có một số kết quả về việc thiết kế bộ quan sát trạng thái để ước lượng trạng thái của các lớp hệ dạng này, chẳng hạn, năm 2018, H. Huong đã thiết kế được bộ quan sát trạng thái cho một lớp hệ ghép nối dương.

Mặc dù đã có nhiều kết quả về bài toán thiết kế quan sát hàm trạng thái cho các lớp hệ phi tuyến nhưng đối với những 7 hàm phi tuyến chỉ thỏa điều kiện Lipschitz một phía thì các kết quả hiện có không thể áp dụng được. Để vượt qua khó khăn này, M. Hà, năm 2019, đã đề xuất phương pháp mới để thiết kế quan sát hàm trạng thái cho các hệ phi tuyến có nhiễu, trong đó hàm phi tuyến chỉ thỏa điều kiện Lipschitz một phía. Trong thực tế, việc xác định chính xác thời gian trễ của một hệ thống là rất khó khăn.

Vì vậy, việc nghiên cứu lớp hệ có trễ biến thiên có ý nghĩa rất quan trọng trong lý thuyết và thực tiễn. Thuan đã đề xuất một phương pháp giải số để nhận được một phép biến đổi tọa độ, chuyển một lớp hệ tuyến tính có trễ biến thiên về một hệ mới mà độ trễ không xuất hiện trong biến trạng thái, rất thuận tiện cho việc thiết kế bộ quan sát trạng thái dạng Luenberger. Ngày nay, các yêu cầu đối với hệ kỹ thuật (giảm độ phức tạp của thiết bị vận hành, hạ bậc điều khiển, chống được các hiện tượng hỏng hóc bất thường, vận hành được cho nhiều hệ thống, tăng độ ổn định của hệ thống, v.) ngày càng cao hơn. Do đó, việc giải quyết bài toán quan sát hàm trạng thái và áp dụng vào bài toán phát hiện lỗi đường truyền không những có ý nghĩa về mặt lý thuyết mà còn đem lại nhiều tiềm năng ứng dụng trong thực tế với hiệu quả cao và chi phí thấp.

Liên quan đến vấn đề này, năm 2014, D. Fernando đã đề xuất một phương pháp mới để thiết kế bộ quan sát nhằm phát hiện lỗi đường truyền trong một lớp hệ động lực tuyến tính có trễ. Huong đã giải quyết bài toán phát hiện lỗi cho một số lớp hệ động lực bằng phương pháp thiết kế các bộ quan sát hàm bậc nhất. Mặc dù đã có nhiều kết quả về bài toán ước lượng trạng thái cho các lớp hệ điều khiển, cho đến nay, các kết quả về bài toán thiết kế các bộ quan sát với sự hỗ trợ của các thuật toán học máy còn rất hạn chế, do đó bài toán này cần được quan tâm nghiên cứu, phát triển hơn nữa.2 Học máy Học máy (Mechine Learning - ML) là một lĩnh vực điều tra nhằm tìm hiểu và xây dựng các phương pháp học, tức là các phương pháp tận dụng dữ liệu để cải thiện hiệu suất trên một số nhiệm vụ.

Nó được xem như một phần của trí tuệ nhân tạo. Các 8 thuật toán học máy xây dựng một mô hình dựa trên dữ liệu mẫu, được gọi là dữ liệu đào tạo, để đưa ra dự đoán hoặc quyết định mà không được lập trình rõ ràng. ML có nhiều ứng dụng chẳng hạn như nội suy, dự báo, phân lớp, phân cụm; nhận dạng chữ viết tay, nhận dạng ảnh; phát hiện cấu trúc, các yếu tố tác động, các quy luật; điều khiển thông minh; hỗ trợ ra quyết định; phân tích trong y khoa, nông nghiệp, khoa học xã hội, luật pháp, marketing, phân tích tài chính, v. Theo định nghĩa của tác giả T.Metchell về machine learning như sau: Một chương trình máy tính được gọi là học để thực hiện một nhiệm vụ T từ kinh nghiệm E, nếu hiệu suất thực hiện công việc T của nó được đo bởi chỉ số hiệu suất P và được cải thiện bởi kinh nghiệm E theo thời gian.

Ví dụ: Một cỗ máy thực hiện chơi cờ (nhiệm vụ T), có thể học từ dữ liệu các ván cờ trước đó hoặc chơi với một chuyên gia (kinh nghiệm E). Khả năng chơi của cỗ máy là tỉ lệ số ván mà nó chiến thắng khi chơi với con người (hiệu suất P). Tùy thuộc vào phương thức tiếp cận, ML được phân loại như sau: (i) Học có giám sát (Supervised Learning): Xác định giá trị/nhãn cho dữ liệu mới dựa trên quy luật được phát hiện từ tính chất của tập dữ liệu. Giám sát được thể hiện qua giá trị hoặc nhãn của dữ liệu mẫu.

Vì vậy, tập dữ liệu mẫu để học theo phương pháp này phải có giá trị đầu ra/nhãn đã được xác định trước. Các bài toán hồi quy (Regresstion) và phân lớp (Classification) thuộc loại này. (ii) Học không giám sát (Unsupervised Learning): Tập dữ liệu mẫu để học không có nhãn. Học không giám sát kết luận những đối tượng có tính gần giống nhau để suy ra một kết luận, hỗ trợ quyết định, ngoài ra còn phát hiện cấu trúc của tập dữ liệu mẫu.

Bài toán phân cụm dữ liệu (Clustering) và tìm quy luật kết hợp (Association) thuộc loại này. (iii) Học bán giám sát (Semisupervised Learning): Tập dữ liệu mẫu của bài toán này, một số có nhãn và một số không có nhãn. Kết hợp hai phương thức học có giám sát và không có giám sát. (iv) Học tăng cường (Reinforcement Learning): Học theo chuỗi các hành vi, từng bước để đạt được kết quả khi thực hiện hoàn tất chuỗi biến đổi.

Chẳng hạn mô hình Markov ẩn. Học tăng cường được ứng dụng trong các trò chơi, điều khiển tự động. 9 Để thực hiện chuyển đổi từ input thành output mong muốn, chúng ta có thể sử dụng các mô hình khác nhau. Machine learning có rất nhiều thuật toán khác nhau nhưng phổ biến nhất là các thuật toán như: (i) Support Vector Machines (SVM): Một thuật toán cố gắng xây dựng một siêu mặt phẳng trong không gian nhiều chiều để phân biệt các đối tượng ở các lớp khác nhau, làm sao cho khoảng cách giữa hai đối tượng khác label gần nhau nhất có khoảng cách cực đại.

Ý tưởng của thuật toán cực kỳ đơn giản, nhưng mô hình này lại rất phức tạp và có hiệu quả. Thực tế, ở một số bài toán, SVM là một mô hình machine learning cho hiệu quả tốt nhất. (ii) Mô hình xác suất (Probabilistic Models): Các mô hình này cố gắng giải quyết bài toán bằng phân bố xác suất. Một thuật toán phổ biến nhất là phân loại Naive Bayes; nó sử dụng lý thuyết Bayes và giả thiết các đặc trưng là độc lập.

Điểm mạnh của mô hình xác suất là đơn giản nhưng hiệu quả. Đầu ra của nó không chỉ là label mà còn đi kèm xác suất thể hiện độ chính xác cho kết quả đó.