Tổng quan luận án

Luận án tiến sĩ với đề tài "Nghiên cứu ứng dụng bộ điều khiển PID dựa trên mạng nơ-ron nhân tạo thích nghi cho hệ thống điều khiển tàu thủy" thuộc chuyên ngành Kỹ thuật Điều khiển và Tự động hóa (ứng dụng trong lĩnh vực Kỹ thuật Tàu thủy và Khoa học Hàng hải). Công trình tập trung giải quyết bài toán nâng cao chất lượng điều khiển hướng đi của tàu thủy thông qua việc tích hợp mạng nơ-ron nhân tạo thích nghi vào cấu trúc điều khiển tỷ lệ - vi phân - tích phân (PID).

Tính cấp thiết và khoảng trống nghiên cứu

Các phương pháp điều khiển truyền thống, tiêu biểu là bộ điều khiển PID, vẫn được áp dụng phổ biến trong công nghiệp hàng hải nhờ cấu trúc đơn giản và tính ổn định tương đối cao. Tuy nhiên, việc thiết kế bộ điều khiển PID truyền thống đòi hỏi phải xác định được mô hình động học chính xác của tàu thủy. Trong thực tế hoạt động hàng hải:

  • Tính năng động học của tàu thủy mang tính phi tuyến cao, thay đổi liên tục theo vận tốc và tải trọng.
  • Tàu chịu tác động thường xuyên của các yếu tố nhiễu loạn môi trường biển (sóng, gió, dòng chảy). Bản thân các yếu tố này cũng mang đặc tính phi tuyến và bất định.
  • Việc áp dụng các thông số PID cố định trong môi trường biến đổi dẫn đến chất lượng điều khiển suy giảm, thời gian quá độ kéo dài và dao động góc bẻ lái lớn.

Nhằm khắc phục những hạn chế này, xu hướng nghiên cứu trên thế giới tập trung vào phát triển các bộ điều khiển PID thông minh kết hợp lý thuyết mờ, thuật toán di truyền hoặc mạng nơ-ron nhân tạo để tự động tinh chỉnh tham số theo thời gian thực mà không đòi hỏi mô hình toán học chính xác tuyệt đối. Tại Việt Nam, nghiên cứu hệ thống điều khiển cho tàu thủy vẫn còn khiêm tốn; việc nghiên cứu và thử nghiệm thực tế bộ điều khiển PID thích nghi dựa trên mạng nơ-ron nhân tạo kết hợp thuật toán huấn luyện trực tuyến và bộ nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian vẫn là một khoảng trống cần được giải quyết.

Mục tiêu nghiên cứu

Mục tiêu tổng quát của luận án được xác định gồm các nội dung cụ thể sau:

  1. Nghiên cứu cơ sở lý thuyết về các phương pháp điều khiển PID thông thường và kỹ thuật điều khiển thông minh ứng dụng mạng nơ-ron nhân tạo.
  2. Phát triển và cải tiến thuật toán điều khiển PID thích nghi dựa trên mạng nơ-ron lan truyền ngược (BPNN) có bổ sung cơ chế huấn luyện tăng cường và nhận dạng mô hình tín hiệu vào - ra trực tuyến cho hệ thống điều khiển hướng đi tàu thủy.
  3. Thiết kế, mô phỏng kiểm chứng thuật toán trên phần mềm máy tính và tiến hành thử nghiệm thực nghiệm trên mô hình tàu thu nhỏ nhằm đưa ra bộ điều khiển có chất lượng tối ưu hơn so với bộ điều khiển PID thông thường.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Hệ thống điều khiển hướng đi của tàu thủy, trọng tâm là hệ thống máy lái tự động (autopilot).
  • Phạm vi nghiên cứu:
    • Về thuật toán: Nghiên cứu thuật toán điều khiển thích nghi dựa trên sự kết hợp giữa mạng nơ-ron nhân tạo (mạng lan truyền ngược BPNN, mạng hàm cơ sở xuyên tâm RBF) và bộ điều khiển PID; phương pháp nhận dạng mô hình tàu thủy phi tuyến biến đổi theo thời gian bằng mạng nơ-ron truyền thẳng nhiều lớp.
    • Về mô phỏng: Sử dụng phần mềm MATLAB để mô phỏng thuật toán điều khiển bám hướng và bám quỹ đạo kết hợp thuật toán dẫn đường LOS (Line of Sight) trong điều kiện có và không có nhiễu sóng, gió, dòng chảy.
    • Về thực nghiệm: Thực hiện chế tạo và thử nghiệm hệ thống điều khiển trên mô hình tàu thu nhỏ tại bể thử của Trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh.

Tổng quan tài liệu và vị trí của luận án

Luận án đã hệ thống hóa các công trình nghiên cứu trong nước và quốc tế liên quan đến kỹ thuật điều khiển PID và mạng nơ-ron nhân tạo ứng dụng trong điều khiển tự động hóa tàu thủy.

Tình hình nghiên cứu trên thế giới

Kỹ thuật điều khiển PID được Nicolas Minorsky áp dụng lần đầu tiên vào hệ thống máy lái tự động tàu thủy vào năm 1922 [19, 21, 35]. Cho đến nay, bộ điều khiển PID vẫn chiếm hơn 90% ứng dụng trong các hệ thống công nghiệp [17]. Để nâng cao chất lượng điều khiển cho các đối tượng phi tuyến, nhiều nhà khoa học đã tích hợp mạng nơ-ron nhân tạo vào cấu trúc PID:

  • Martins và Coelho [33], Junghui và Huang [26], Andrasik và cộng sự [19]: Nghiên cứu ứng dụng bộ điều khiển PID thích nghi dựa trên việc điều chỉnh ba tham số $K_p, K_i, K_d$ bằng mạng nơ-ron trong các hệ thống công nghiệp.
  • Widrow và Streans [59]: Đề xuất thuật toán sử dụng khả năng dự đoán của mạng nơ-ron nhân tạo mà không làm thay đổi cấu trúc cơ bản của bộ điều khiển PID.
  • Brandt, Lin và Saikalis [19, 20]: Sử dụng mạng nơ-ron nhân tạo thích nghi tương tác để điều hưởng các trọng số mạng.
  • Junghui và Huang [26]: Thiết kế thuật toán nhằm ngăn chặn sự tách rời tính phi tuyến của quá trình điều khiển.
  • Ming-Chung Fang và cộng sự (2010) [37]: Công bố công trình "Ứng dụng bộ điều khiển PID nơ-ron tự điều chỉnh cho giảm lắc ngang tàu thủy trong sóng ngẫu nhiên", sử dụng hai mạng nơ-ron đa lớp gồm mạng nhận dạng hệ thống (NN1) và mạng điều chỉnh tham số (NN2) để điều khiển góc vây giảm lắc theo phương thức điều khiển gián tiếp.
  • Xingxing Huo và cộng sự (2012) [38]: Nghiên cứu "Điều khiển PID dựa trên mạng nơ-ron lan truyền ngược cho điều khiển hướng đi tàu thủy", kết hợp PID và mạng lan truyền ngược (BPNN) có xét đến ảnh hưởng của sóng, gió, dòng chảy. Nghiên cứu chỉ ra hạn chế của mạng lan truyền ngược truyền thống là sử dụng phương pháp giảm độ lệch gradient nên tốc độ hội tụ chậm và có nguy cơ rơi vào các cực tiểu cục bộ.
  • Zeyu Li và cộng sự (2012) [39]: Đề xuất "Điều khiển PID dựa trên mạng nơ-ron RBF cho điều khiển hướng tàu", sử dụng mạng nơ-ron hàm cơ sở xuyên tâm để xấp xỉ phi tuyến và điều chỉnh ba tham số PID trong thời gian thực thông qua ma trận Jacobi.
  • Rodrigo Hernández-Alvarado và cộng sự (2016) [60]: Đề xuất "Điều khiển PID tự điều chỉnh dựa trên mạng nơ-ron nhân tạo cho phương tiện ngầm", áp dụng cho phương tiện ngầm điều khiển từ xa (ROV) chịu tác động của dòng chảy ngầm, giúp giảm sai số bình phương trung bình xuống còn 50% so với PID thông thường, nhưng thuật toán lan truyền ngược vẫn bộc lộ nhược điểm tốc độ hội tụ chậm.

Tình hình nghiên cứu trong nước

Tại Việt Nam, các kỹ thuật điều khiển hiện đại và điều khiển thông minh đã được một số tác giả tiếp cận:

  • Nguyễn Hoàng Dũng [2]: Nghiên cứu giải thuật kết hợp giữa bộ điều khiển feedforward (huấn luyện trên mạng nơ-ron lan truyền ngược giảm gradient với tốc độ học thích nghi) và feedback (bộ điều khiển PID) để điều khiển hệ thống phi tuyến.
  • Nguyễn Phùng Hưng [29, 30, 31]: Ứng dụng mạng nơ-ron nhân tạo vào máy lái tự động kiểu thích nghi cho tàu thủy.
  • Nguyễn Công Vịnh [15]: Nghiên cứu ứng dụng bộ điều khiển logic mờ trong hệ thống máy lái tự động tàu thủy.
  • Phạm Hữu Đức Dục [1]: Ứng dụng phương pháp điều khiển dự báo dựa trên mô hình (MPC) để điều khiển thích nghi hướng chuyển động của tàu thủy khi có nhiễu tác động.
  • Nguyễn Chí Ngôn [9]: Xây dựng bộ điều khiển PID thích nghi cho hệ ổn định áp suất dựa trên bộ nhận dạng dùng mạng nơ-ron hàm cơ sở xuyên tâm (RBF).

Khoảng trống nghiên cứu luận án lựa chọn giải quyết

Mặc dù mạng nơ-ron lan truyền ngược và mạng RBF đã được nghiên cứu kết hợp với PID, các giải thuật lan truyền ngược truyền thống dựa trên phương pháp giảm gradient đơn thuần có nhược điểm lớn về tốc độ hội tụ chậm và dễ rơi vào cực tiểu cục bộ. Bên cạnh đó, việc huấn luyện trực tuyến liên tục trong quá trình điều khiển kết hợp với bộ nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian thực chưa được thực nghiệm đầy đủ trên mô hình thực tế tại Việt Nam. Luận án lựa chọn giải quyết vấn đề cải tiến thuật toán huấn luyện mạng lan truyền ngược (bổ sung hệ số xung lượng và cơ chế huấn luyện tăng cường lặp nhiều lần trong mỗi chu kỳ) kết hợp bộ nhận dạng vào - ra trực tuyến, đồng thời thực hiện kiểm chứng toàn diện từ mô phỏng đến thực nghiệm bể thử.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khung phân tích

1. Lý thuyết mạng nơ-ron nhân tạo (ANN)

Mạng nơ-ron nhân tạo mô phỏng quá trình xử lý thông tin của hệ thần kinh sinh học, gồm các thành phần cơ bản:

  • Đơn vị xử lý (Node/Nơ-ron): Nhận tín hiệu đầu vào $x_i$ ($i = 1, \dots, n$), nhân với trọng số $w_{ji}$, cộng với độ lệch (bias) $\theta_j$ để tạo thành giá trị đầu vào mạng $net_j$, sau đó đi qua hàm kích hoạt $g(x)$ để tạo đầu ra $z_j$.
  • Hàm kết hợp:
    • Luật tổng trọng số: $$a_j = \sum_{i=1}^n w_{ji} x_i + \theta_j$$
    • Luật sigma-pi: $$a_j = \sum_{i=1}^n w_{ji} \prod_{k=1}^m x_{ik} + \theta_j$$
  • Hàm kích hoạt (Hàm truyền):
    • Hàm tuyến tính (Identity function).
    • Hàm giới hạn cứng (Hard-limit / Threshold / Heaviside): $g(x) = 1$ khi $x \ge 0$ và $g(x) = 0$ khi $x < 0$.
    • Hàm Sigmoid: $g(x) = \frac{1}{1 + e^{-x}}$, đầu ra thuộc khoảng $[0, 1]$, khả vi, thuận tiện tính đạo hàm trong thuật toán lan truyền ngược.
    • Hàm Tang-sigmoid: $g(x) = \frac{2}{1 + e^{-2x}} - 1$, đầu ra thuộc khoảng $[-1, 1]$.
  • Hình trạng mạng: Phân chia thành mạng truyền thẳng nhiều lớp (Feedforward Neural Network) và mạng hồi quy (Recurrent Neural Network).
  • Luật học: Học có giám sát (supervised learning), học tăng cường (reinforcement learning) và học không giám sát (unsupervised learning).

2. Nhận dạng hệ thống bằng mạng nơ-ron

Gồm nhận dạng mô hình (xác định cấu trúc vào - ra) và nhận dạng tham số (huấn luyện trọng số). Tín hiệu sai số giữa đầu ra thực tế của đối tượng $y$ và đầu ra mô hình nơ-ron $\hat{y}$ ($e = y - \hat{y}$) là cơ sở để cập nhật trọng số mạng theo phương pháp giảm gradient. Phương pháp ứng dụng mạng nơ-ron trong điều khiển được chia thành:

  • Điều khiển trực tiếp: Không cần huấn luyện trước để nhận dạng thông số, cập nhật trọng số trực tiếp qua luật thích nghi.
  • Điều khiển gián tiếp: Sử dụng một mạng nơ-ron nhận dạng đối tượng và một mạng nơ-ron làm bộ điều khiển.

3. Cơ sở động học và động lực học tàu thủy 6 bậc tự do (6-DOF)

Chuyển động của tàu thủy được mô tả qua các hệ trục tọa độ tham chiếu:

  • Hệ tọa độ quán tính tâm Trái Đất (ECI - ${i}$): Gốc tại tâm Trái Đất, áp dụng các định luật Newton.
  • Hệ tọa độ cố định tâm Trái Đất (ECEF - ${e}$): Gốc tại tâm Trái Đất, quay cùng Trái Đất với vận tốc góc $\omega_e = 7.2921 \times 10^{-5}\text{ rad/s}$.
  • Hệ tọa độ địa lý (NED - ${n}$): Gốc $O_n$ trên bề mặt Trái Đất, trục $x_n$ hướng Bắc, $y_n$ hướng Đông, $z_n$ hướng xuống tâm Trái Đất.
  • Hệ tọa độ gắn với thân tàu (BODY - ${b}$): Gốc $O_b$ tại điểm giữa tàu (CO), trục $x_b$ dọc từ đuôi đến mũi, $y_b$ ngang từ mạn trái sang mạn phải, $z_b$ vuông góc hướng xuống đáy.
Bậc tự do Chuyển động Lực và Moment Vận tốc dài / góc Vị trí và góc Euler
1 Tiến dọc (Surge) $X$ $u$ $x$
2 Dạt ngang (Sway) $Y$ $v$ $y$
3 Nhấp nhô (Heave) $Z$ $w$ $z$
4 Lắc ngang (Roll) $K$ $p$ $\phi$
5 Lắc dọc (Pitch) $M$ $q$ $\theta$
6 Quay trở / Đảo hướng (Yaw) $N$ $r$ $\psi$

Phương trình động học 6 bậc tự do: $$p_{b/n}^n = R_b^n(\Theta_{nb}) v_{b/n}^b$$ $$\dot{\Theta}{nb} = T(\Theta{nb}) \omega_{b/n}^b$$ Trong đó $R_b^n$ là ma trận chuyển đổi tọa độ từ hệ ${b}$ sang hệ ${n}$ thông qua 3 góc Euler $(\phi, \theta, \psi)$; $T(\Theta_{nb})$ là ma trận chuyển đổi vận tốc góc.

Phương trình động lực học tổng quát của tàu thủy (Fossen 1994, Faltinsen 1990): $$(M_{RB} + M_A)\dot{\nu} + (C_{RB}(\nu_r) + C_A(\nu_r))\nu_r + D(\nu_r)\nu_r + g(\eta) + g_0 = \tau + \tau_{wind} + \tau_{wave}$$ Trong đó:

  • $M_{RB}, C_{RB}$: Ma trận khối lượng vật rắn và ma trận lực Coriolis / quán tính hướng tâm của thân tàu.
  • $M_A, C_A$: Ma trận khối lượng tăng thêm thủy động lực và ma trận Coriolis thủy động.
  • $D(\nu_r) = D + D_n(\nu_r)$: Ma trận giảm chấn thủy động lực gồm thành phần tuyến tính $D$ và phi tuyến $D_n$.
  • $g(\eta)$: Vector lực phục hồi thủy tĩnh (trọng lực $W = mg$ và lực nổi Archimedes $B = \rho g \nabla$).
  • $g_0$: Lực dằn cân bằng tàu.
  • $\tau$: Lực và moment điều khiển do bánh lái sinh ra.
  • $\tau_{wind}, \tau_{wave}$: Lực và moment nhiễu loạn do gió và sóng tác động.

Phương pháp nghiên cứu thực tế

Luận án kết hợp giữa phương pháp nghiên cứu lý thuyết và nghiên cứu thực nghiệm:

  • Nghiên cứu lý thuyết:
    • Thiết lập mô hình toán học giải tích động lực học tàu thủy 6 bậc tự do.
    • Thiết kế thuật toán điều khiển PID nơ-ron lan truyền ngược có bổ sung thành phần xung lượng và cơ chế huấn luyện tăng cường lặp trực tuyến.
    • Xây dựng bộ nhận dạng tín hiệu vào - ra sử dụng mạng nơ-ron nhiều lớp truyền thẳng.
    • Lập trình mô phỏng trên phần mềm MATLAB để kiểm chứng tính đúng đắn của thuật toán dưới tác động của các điều kiện môi trường biển.
  • Nghiên cứu thực nghiệm:
    • Thiết kế và chế tạo mô hình tàu thủy thu nhỏ gắn cơ cấu chấp hành bánh lái và hệ thống thu thập dữ liệu / điều khiển nhúng.
    • Tiến hành thử nghiệm điều khiển hướng đi trên mô hình thực tế trong bể thử của Trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh.
    • So sánh trực tiếp chất lượng điều khiển giữa bộ điều khiển PID nơ-ron đề xuất và bộ điều khiển PID truyền thống.

Nguồn tư liệu và dữ liệu

  • Dữ liệu tham số thủy động lực học tàu thủy xây dựng dựa trên tiêu chuẩn của Hiệp hội Kiến trúc sư Hải quân và Kỹ sư Hàng hải Hoa Kỳ (SNAME, 1950) và mô hình chuẩn của Fossen (1994).
  • Dữ liệu tín hiệu vào - ra (góc bẻ lái, hướng mũi tàu, sai số hướng, các hệ số $K_p, K_i, K_d$) thu được từ quá trình mô phỏng số trên phần mềm MATLAB và đo đạc thực nghiệm từ cảm biến trên mô hình tàu trong bể thử.

Nội dung chính theo từng chương

Chương 1: Tổng quan vấn đề nghiên cứu và mạng nơ-ron nhân tạo trong điều khiển

Chương 1 trình bày bức tranh tổng quan về tình hình nghiên cứu trong và ngoài nước liên quan đến bài toán điều khiển máy lái tự động tàu thủy và ứng dụng mạng nơ-ron nhân tạo trong điều khiển tự động:

  • Đánh giá vai trò của thuật toán PID truyền thống và phân tích nguyên nhân cần cải tiến cấu trúc hoặc kết hợp kỹ thuật thông minh đối với đối tượng điều khiển có tính phi tuyến cao như tàu thủy.
  • Trình bày cơ sở lý luận về cấu trúc mạng nơ-ron nhân tạo, các loại đơn vị xử lý, các dạng hàm kết hợp và hàm kích hoạt (tuyến tính, giới hạn cứng, Sigmoid, Tan-sigmoid), phân loại mạng truyền thẳng và mạng hồi quy, các luật học tham số và cấu trúc.
  • Phân tích nguyên lý nhận dạng hệ thống (nhận dạng mô hình và nhận dạng tham số) và hai phương pháp điều khiển nơ-ron: điều khiển trực tiếp và điều khiển gián tiếp.
  • Khảo sát chi tiết hai mô hình điều khiển tiêu biểu: bộ điều khiển PID-BPNN của Xingxing Huo [38] và bộ điều khiển PID-RBF của Zeyu Li [39].
  • Xây dựng hệ thống phương trình chuyển động của tàu thủy trên mặt phẳng Trái Đất: định nghĩa 4 hệ trục tọa độ tham chiếu (ECI, ECEF, NED, BODY); bảng ký hiệu SNAME (1950); thiết lập phương trình động học 6 bậc tự do, phương trình cân bằng lực Newton-Euler, các ma trận khối lượng $M_{RB}$, ma trận Coriolis $C_{RB}$, các thành phần lực thủy động học ($M_A, C_A, D$), lực phục hồi Archimedes $g(\eta)$ và lực dằn $g_0$.

Chương 2: Bộ điều khiển PID nơ-ron thích nghi dựa trên mạng nơ-ron lan truyền ngược cho hệ thống điều khiển hướng đi tàu thủy

Chương 2 tập trung vào việc thiết kế cấu trúc và thuật toán cho bộ điều khiển PID thích nghi nơ-ron lan truyền ngược (BPNN):

1. Thuật toán điều khiển PID số

Tín hiệu điều khiển góc lái ở bước rời rạc $k$ được biểu diễn: $$u_{pid}(k) = u_{pid}(k-1) + K_p [e(k) - e(k-1)] + K_i e(k) + K_d [e(k) - 2e(k-1) + e(k-2)]$$ Trong đó sai số hướng đi là $e(k) = \psi(k) - \psi_d(k)$ ($\psi$ là hướng thực tế, $\psi_d$ là hướng đặt).

2. Cấu trúc và tính toán truyền thẳng của mạng BPNN

Mạng nơ-ron lan truyền ngược có cấu trúc 3 lớp: lớp vào gồm $M$ nơ-ron, lớp ẩn gồm $Q$ nơ-ron, lớp ra gồm 3 nơ-ron tương ứng với 3 tham số $K_p, K_i, K_d$:

  • Lớp vào: $O_p = X_p$ ($p = 1, \dots, M$).
  • Lớp ẩn: $$net_j(k) = \sum_{p=1}^M w_{jp} O_p$$ $$O_j(k) = f(net_j(k))$$ Với $f(x)$ là hàm Sigmoid đối xứng.
  • Lớp ra: $$net_l(k) = \sum_{j=1}^Q w_{lj} O_j(k)$$ $$O_l(k) = g(net_l(k))$$ Các đầu ra là $O_1 = K_p, O_2 = K_i, O_3 = K_d$; $g(x)$ là hàm Sigmoid không âm để đảm bảo các tham số PID luôn dương.

3. Lan truyền ngược sai số có bổ sung hệ số xung lượng

Hàm chỉ tiêu chất lượng cần tối thiểu hóa: $$E(k) = \frac{1}{2} (r_{in}(k) - y_{out}(k))^2$$ Để tăng tốc độ hội tụ và tránh cực tiểu cục bộ, thuật toán cập nhật trọng số được bổ sung hệ số xung lượng (quán tính) $\alpha$:

  • Cập nhật trọng số từ lớp ẩn sang lớp ra: $$\Delta w_{lj}(k) = -\eta \frac{\partial E(k)}{\partial w_{lj}} + \alpha \Delta w_{lj}(k-1)$$ $$w_{lj}(k+1) = w_{lj}(k) + \Delta w_{lj}(k)$$ Trong đó $\eta$ là hệ số tốc độ học, $\alpha$ là hệ số xung lượng.
  • Cập nhật trọng số từ lớp vào sang lớp ẩn: $$\Delta w_{jp}(k) = -\eta \frac{\partial E(k)}{\partial w_{jp}} + \alpha \Delta w_{jp}(k-1)$$ $$w_{jp}(k+1) = w_{jp}(k) + \Delta w_{jp}(k)$$

4. Thuật toán huấn luyện tăng cường và bộ nhận dạng mô hình tàu

  • Tác giả áp dụng cơ chế huấn luyện tăng cường: tại mỗi chu trình điều khiển $k$, mạng nơ-ron được lặp lại quá trình huấn luyện lan truyền ngược $n$ lần (từ $ite = 1$ đến $ite = n$) với các dữ liệu $r(k)$ và $y(k)$ trước khi xuất tín hiệu điều khiển ra cơ cấu chấp hành.
  • Xây dựng bộ nhận dạng mô hình tàu thủy theo phương pháp tín hiệu vào - ra sử dụng mạng nơ-ron nhiều lớp truyền thẳng huấn luyện trực tuyến, cho phép nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian, hỗ trợ phương pháp điều khiển dự đoán theo thời gian thực.

Chương 3: Kết quả mô phỏng

Chương 3 trình bày phương pháp và kết quả mô phỏng trên máy tính bằng phần mềm MATLAB:

  • Thiết lập mô hình toán học động lực học tàu thủy trên nền tảng phương trình Fossen kết hợp với các mô hình nhiễu sóng ngẫu nhiên, gió và dòng chảy.
  • Tiến hành mô phỏng thuật toán PID-BPNN đề xuất trong các kịch bản điều khiển giữ hướng cố định, đổi hướng chuyển luồng và bám quỹ đạo kết hợp thuật toán dẫn đường LOS.
  • Kết quả mô phỏng cho thấy các tham số $K_p, K_i, K_d$ được mạng BPNN điều chỉnh tự động và liên tục theo thời gian thực.
  • So sánh với bộ điều khiển PID thông thường: bộ điều khiển PID nơ-ron thích nghi có thời gian xác lập ngắn hơn, độ quá điều chỉnh (độ vượt quá) nhỏ hơn đáng kể, góc bẻ lái mượt hơn và duy trì được tính bền vững cao khi chịu tác động của nhiễu loạn môi trường biển.

Chương 4: Kết quả thực nghiệm

Chương 4 thực hiện kiểm chứng bộ điều khiển PID nơ-ron thích nghi trên mô hình vật lý:

  • Chế tạo mô hình tàu thủy thu nhỏ và tích hợp phần cứng điều khiển máy lái tự động chạy thuật toán PID-BPNN.
  • Tiến hành thực nghiệm điều khiển hướng đi của mô hình tàu trong môi trường bể thử tại Trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh.
  • Kết quả thực nghiệm khẳng định tính khả thi của việc huấn luyện mạng nơ-ron trực tuyến trên phần cứng thực tế: hệ thống tự thích nghi với đặc tính động học của mô hình tàu trong nước, duy trì hướng đi ổn định và chứng minh hiệu quả vượt trội so với bộ điều khiển PID thông thường trong cùng điều kiện thực nghiệm.

Kết quả và những đóng góp mới

Những đóng góp mới về mặt lý luận và khoa học

  1. Tích hợp và tính toán tường minh cấu trúc PID - BPNN: Tận dụng ưu điểm bền vững, dễ cấu hình của bộ điều khiển PID truyền thống kết hợp với khả năng học và xấp xỉ phi tuyến trực tuyến của mạng nơ-ron lan truyền ngược (BPNN), xây dựng công thức tính toán tường minh để điều chỉnh liên tục ba tham số $K_p, K_i, K_d$ trong thời gian thực.
  2. Cải tiến thuật toán huấn luyện mạng: Đề xuất và ứng dụng thuật toán huấn luyện tăng cường lặp lại $n$ lần trong mỗi chu kỳ điều khiển trực tuyến và bổ sung hệ số xung lượng $\alpha$, giải quyết được nhược điểm tốc độ hội tụ chậm và hiện tượng mắc kẹt tại cực tiểu cục bộ của phương pháp giảm gradient truyền thống.
  3. Thiết kế bộ nhận dạng mô hình tàu thủy phi tuyến biến đổi theo thời gian: Xây dựng bộ nhận dạng nơ-ron theo tín hiệu vào - ra được huấn luyện trực tuyến, có khả năng nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian thay vì chỉ nhận dạng mô hình tuyến tính tĩnh như các nghiên cứu trước đây, nâng cao tính thích nghi theo phương thức điều khiển dự đoán thời gian thực.

Những đóng góp mới về mặt thực tiễn

  1. Hiện thực hóa huấn luyện trực tuyến trên mô hình thực nghiệm: Triển khai thành công thuật toán huấn luyện mạng nơ-ron trực tuyến liên tục trong quá trình điều khiển trên mô hình tàu thủy thu nhỏ tại bể thử của Trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh — hướng tiếp cận trước đó chưa có tác giả nào tại Việt Nam thực nghiệm trên mô hình tàu.
  2. Cung cấp cơ sở ứng dụng cho công nghiệp đóng tàu: Kết quả nghiên cứu cung cấp cơ sở kỹ thuật phục vụ thiết kế, chế tạo máy lái tự động thế hệ mới cho ngành công nghiệp đóng tàu và vận tải biển Việt Nam, bám sát các mục tiêu phát triển kinh tế biển của quốc gia.

Kiến nghị và giải pháp đề xuất

  • Ứng dụng thuật toán điều khiển PID nơ-ron thích nghi vào các hệ thống tự động hóa hàng hải khác như hệ thống vây giảm lắc ngang tàu thủy trong sóng ngẫu nhiên và hệ thống định vị động (Dynamic Positioning - DP).
  • Ứng dụng kết quả nghiên cứu làm tài liệu tham khảo cho việc phát triển các thuật toán dẫn đường tự động theo quỹ đạo phức tạp kết hợp thuật toán LOS trên các phương tiện hàng hải.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Thử nghiệm thực nghiệm của luận án mới chỉ được tiến hành trên mô hình tàu thu nhỏ trong điều kiện môi trường bể thử của Trường Đại học Giao thông Vận tải TP.HCM, chưa được thử nghiệm trên tàu thủy kích thước thực tế hoạt động trên biển khơi với các điều kiện hải văn phức tạp dài ngày.
  • Thuật toán huấn luyện tăng cường trực tuyến lặp $n$ lần trong mỗi chu kỳ điều khiển đòi hỏi năng lực tính toán xử lý của phần cứng nhúng phải đảm bảo chu kỳ lấy mẫu thời gian thực nghiêm ngặt.

Hướng nghiên cứu tiếp

  • Mở rộng ứng dụng thuật toán điều khiển PID nơ-ron thích nghi kết hợp bộ nhận dạng trực tuyến cho các bài toán điều khiển chuyển động đa biến khác của tàu thủy (hệ thống định vị động DP, hệ thống giảm lắc ngang bằng bánh lái hoặc vây giảm lắc).
  • Nghiên cứu phát triển thuật toán dẫn đường bám quỹ đạo phi tuyến phức tạp trong điều kiện trường sóng gió ngẫu nhiên cường độ mạnh.
  • Tiến hành lắp đặt thử nghiệm hệ thống máy lái tự động thông minh trên tàu thực tế để đánh giá hiệu quả kinh tế và độ tin cậy vận hành dài hạn.

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên sâu đối với các nhóm đối tượng:

  • Nghiên cứu sinh, học viên cao học và sinh viên thuộc các chuyên ngành Kỹ thuật Điều khiển và Tự động hóa, Kỹ thuật Tàu thủy, Khoa học Hàng hải, Điện tử Công nghiệp: Có thể tham khảo chi tiết phần thiết lập phương trình động học, động lực học 6 bậc tự do của tàu thủy (Chương 1) và phương pháp xây dựng thuật toán điều khiển PID nơ-ron thích nghi có xung lượng và huấn luyện tăng cường (Chương 2).
  • Giảng viên và nhà nghiên cứu: Sử dụng khung lý thuyết và mô hình toán học thủy động lực học chuẩn SNAME/Fossen kết hợp mạng nơ-ron để làm tài liệu giảng dạy môn Điều khiển Thông minh, Nhận dạng Hệ thống và Tự động hóa Tàu thủy.
  • Kỹ sư R&D tại các viện nghiên cứu và nhà máy đóng tàu: Tham khảo sơ đồ nguyên lý và giải thuật để ứng dụng thiết kế, cải tiến các bộ máy lái tự động (autopilot) và hệ thống ổn định hướng đi cho phương tiện thủy.

Câu hỏi thường gặp

1. Tại sao bộ điều khiển PID truyền thống cần phải kết hợp với mạng nơ-ron nhân tạo trong điều khiển hướng đi tàu thủy?
Bộ điều khiển PID truyền thống yêu cầu phải biết trước mô hình động học chính xác của đối tượng. Tuy nhiên, tàu thủy có tính năng động học phi tuyến cao, thay đổi theo tải trọng, vận tốc và chịu ảnh hưởng của các yếu tố nhiễu loạn môi trường biển (sóng, gió, dòng chảy) có tính bất định. Mạng nơ-ron nhân tạo có khả năng xấp xỉ các hàm phi tuyến bất kỳ và tự động điều chỉnh trực tuyến ba thông số $K_p, K_i, K_d$ của PID trong thời gian thực mà không cần mô hình toán học chính xác tuyệt đối.

2. Luận án đã cải tiến thuật toán lan truyền ngược (Back-propagation) như thế nào để khắc phục nhược điểm hội tụ chậm?
Tác giả đã bổ sung thêm thành phần xung lượng (hệ số quán tính $\alpha$) vào công thức cập nhật trọng số nhằm tránh rơi vào các cực tiểu cục bộ và tăng tốc độ hội tụ. Đồng thời, tác giả áp dụng thuật toán huấn luyện tăng cường: tại mỗi chu trình điều khiển $k$, mạng nơ-ron được thực hiện một vòng lặp huấn luyện nội bộ $n$ lần trước khi xuất tín hiệu điều khiển chính thức ra cơ cấu chấp hành.

3. Các hệ quy chiếu nào được sử dụng để xây dựng mô hình động học và động lực học tàu thủy 6 bậc tự do trong luận án?
Luận án sử dụng 4 hệ quy chiếu: Hệ tọa độ quán tính tâm Trái Đất (ECI - ${i}$), Hệ tọa độ cố định tâm Trái Đất (ECEF - ${e}$), Hệ tọa độ địa lý Bắc - Đông - Dưới (NED - ${n}$) và Hệ tọa độ gắn trên thân tàu (BODY - ${b}$). Các đại lượng lực, moment, vận tốc dài và vận tốc góc được định nghĩa theo chuẩn của Hiệp hội Kiến trúc sư Hải quân và Kỹ sư Hàng hải Hoa Kỳ (SNAME, 1950).

4. Bộ nhận dạng mô hình tàu thủy bằng mạng nơ-ron trong luận án có điểm gì khác biệt so với các nghiên cứu trước đó?
Bộ nhận dạng mô hình tàu thủy trong luận án sử dụng mạng nơ-ron nhiều lớp truyền thẳng được huấn luyện trực tuyến theo phương pháp tín hiệu vào - ra và kết hợp thuật toán tăng cường. Cải tiến này cho phép bộ nhận dạng nhận dạng được mô hình tàu phi tuyến biến đổi theo thời gian thực thay vì chỉ giới hạn ở các mô hình tuyến tính tĩnh, hỗ trợ thực hiện điều khiển dự đoán theo thời gian thực.

5. Thử nghiệm thực nghiệm của luận án được tiến hành trên đối tượng và địa điểm nào?
Thử nghiệm thực nghiệm được thực hiện trên mô hình tàu thủy thu nhỏ gắn hệ thống điều khiển nhúng chạy thuật toán PID-BPNN tại bể thử của Trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh.

Kết luận

Luận án tiến sĩ "Nghiên cứu ứng dụng bộ điều khiển PID dựa trên mạng nơ-ron nhân tạo thích nghi cho hệ thống điều khiển tàu thủy" đã giải quyết bài toán nâng cao chất lượng điều khiển hướng đi của tàu thủy trong điều kiện chịu ảnh hưởng của nhiễu loạn môi trường biển. Bằng việc kết hợp bộ điều khiển PID số với mạng nơ-ron lan truyền ngược có bổ sung hệ số xung lượng, cơ chế huấn luyện tăng cường và bộ nhận dạng mô hình tàu phi tuyến trực tuyến, công trình đã khắc phục được các nhược điểm về tốc độ hội tụ và tính bất định của mô hình tàu. Toàn bộ giải thuật điều khiển đã được kiểm chứng nhất quán thông qua mô phỏng trên phần mềm MATLAB và thực nghiệm trên mô hình tàu thu nhỏ trong bể thử tại Trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh, đóng góp cơ sở lý luận và thực tiễn cho lĩnh vực tự động hóa hàng hải.