Điều khiển thích nghi bền vững hệ twin rotor mimo trong không gian b

Tổng quan về luận án

Luận án nghiên cứu "Điều khiển thích nghi bền vững hệ Twin Rotor MIMO trong không gian biến khớp" giải quyết một trong những thách thức hàng đầu trong lĩnh vực điều khiển tự động hóa: điều khiển các hệ phi tuyến phức tạp có thông số bất định và tác động xen kênh mạnh mẽ. Twin Rotor MIMO System (TRMS) của Feedback Instruments Ltd, mặc dù là một thiết bị thí nghiệm, nhưng lại là đối tượng điển hình phản ánh các đặc tính động học của máy bay trực thăng và các hệ khí động học phức tạp khác, bao gồm tính phi tuyến bậc cao, các thông số bất định, và ảnh hưởng xen kênh đáng kể giữa các kênh điều khiển. Tính tiên phong của nghiên cứu nằm ở việc đề xuất và kiểm chứng một phương pháp điều khiển thích nghi bền vững độc đáo, có khả năng vận hành thời gian thực, vượt trội hơn các phương pháp truyền thống trong việc bám quỹ đạo và kháng nhiễu.

Research gap SPECIFIC với citations từ literature: Nghiên cứu hiện tại về điều khiển TRMS đã chứng kiến nhiều phương pháp được áp dụng, từ PID cổ điển đến các kỹ thuật hiện đại như LQR, LQG, MPC, điều khiển trượt (SMC) và điều khiển mờ (Fuzzy Control). Tuy nhiên, các công trình này thường gặp phải những hạn chế đáng kể:

1. Mô hình hóa chưa đầy đủ và chính xác: Mô hình Newton do nhà sản xuất Feedback Instruments Ltd [24] cung cấp được coi là "không xét đến chiều dài của chốt quay," dẫn đến sai số đáng kể ở một số chế độ hoạt động. Ngay cả mô hình Euler-Lagrange đầy đủ hơn của Akabar Rahideh [42], mặc dù chính xác hơn Newton, lại bị chỉ ra là "không xét đến động học của động cơ một chiều truyền động cho cánh quạt," điều này ảnh hưởng đến độ chính xác tổng thể khi thiết kế bộ điều khiển dựa trên mô hình.
2. Khó khăn trong điều khiển phi tuyến, bất định và nhiễu: Các phương pháp như PID, dù được cải thiện bằng GA hay mạng neuron [5, 19, 23, 27, 28, 31, 48], vẫn cho thấy "thời gian quá độ vẫn lớn" và "không đảm bảo tính bền vững" cần thiết cho các ứng dụng không gian. Điều khiển tối ưu LQR/LQG thường yêu cầu tuyến tính hóa hệ thống, dẫn đến "chất lượng đáp ứng đầu ra không tốt" khi áp dụng cho TRMS phi tuyến [46] và "thời gian quá độ còn lớn" [10]. Điều khiển dự báo (MPC) cho TRMS trong các nghiên cứu trước như của Akabar Rahideh [42] thường áp dụng cho đối tượng rời rạc, sử dụng mô hình Newton kém chính xác hoặc yêu cầu bộ quan sát làm giảm tính thời gian thực.
3. Thách thức triển khai thời gian thực: Việc giải các phương trình tối ưu phức tạp, đặc biệt là phương trình Riccati, trong thời gian thực cho các hệ liên tục vẫn là một rào cản lớn, mà nhiều nghiên cứu trước đây chỉ dừng lại ở mô phỏng [39, 43] hoặc gặp vấn đề về thời gian quá độ thực nghiệm lớn [18, 33]. Do đó, tồn tại một khoảng trống nghiên cứu cụ thể trong việc phát triển một chiến lược điều khiển thích nghi bền vững, có khả năng triển khai thời gian thực cho hệ TRMS phi tuyến, liên tục, bất định và có ảnh hưởng xen kênh mạnh, dựa trên một mô hình động lực học chính xác cao và tích hợp hiệu quả các ưu điểm của điều khiển dự báo và điều khiển tối ưu.

Research questions và hypotheses: Dựa trên khoảng trống nghiên cứu, luận án đặt ra các câu hỏi và giả thuyết chính sau:

1. RQ1: Làm thế nào để xây dựng một mô hình toán động lực học cho TRMS có độ chính xác cao nhất, phản ánh đầy đủ các yếu tố ảnh hưởng đến hệ, bao gồm động học của động cơ và hiệu ứng bề mặt?
   • H1: Việc áp dụng phương pháp Euler-Lagrange để xây dựng mô hình toán động lực học cho TRMS, có xét đến chiều dài chốt quay và động học của động cơ, sẽ cho sai số nhỏ hơn đáng kể so với mô hình Newton của nhà sản xuất.
2. RQ2: Liệu sự kết hợp giữa điều khiển Receding Horizon Control (RHC) và Linear Quadratic Regulator (LQR) có thể tạo ra một thuật toán điều khiển thích nghi bền vững hiệu quả cho hệ TRMS phi tuyến liên tục có nhiễu và sai lệch mô hình?
   • H2: Thuật toán điều khiển RHC với LQR đề xuất sẽ cung cấp khả năng bám quỹ đạo với độ chính xác cao và khả năng kháng nhiễu tốt hơn so với các phương pháp điều khiển PID, LQR/LQG đơn lẻ hoặc SMC đã được áp dụng cho TRMS.
3. RQ3: Thuật toán điều khiển RHC với LQR phức tạp có thể được cài đặt linh hoạt và chạy hiệu quả trong thời gian thực trên phần cứng điều khiển công nghiệp như Card DS1103 không?
   • H3: Việc cài đặt và lập trình giải phương trình Riccati một cách hiệu quả trong thời gian thực, kết hợp với mạch điều chỉnh mô men, sẽ cho phép thuật toán RHC-LQR hoạt động bền vững và chính xác trên hệ TRMS thực nghiệm.

Theoretical framework với tên theories cụ thể: Luận án được xây dựng dựa trên sự tích hợp và mở rộng của ba trụ cột lý thuyết chính:

1. Lý thuyết Điều khiển Receding Horizon Control (RHC) / Model Predictive Control (MPC): RHC là một nguyên tắc điều khiển phi tuyến tiên tiến, giải bài toán tối ưu hóa tại mỗi bước thời gian để xác định các giá trị đầu vào trong một khoảng thời gian dự báo, sau đó chỉ áp dụng giá trị đầu tiên. Lý thuyết này được mở rộng để phù hợp với hệ liên tục có nhiễu.
2. Lý thuyết Linear Quadratic Regulator (LQR): LQR là một phương pháp điều khiển tối ưu cho các hệ tuyến tính, nhằm tối thiểu hóa một hàm chi phí quadratic. Luận án tích hợp LQR vào khuôn khổ RHC để tận dụng khả năng phản hồi trạng thái tối ưu, đặc biệt là khi hệ thống được tuyến tính hóa cục bộ hoặc trong một không gian biến đổi.
3. Lý thuyết Điều khiển Thích nghi (Adaptive Control): Nghiên cứu giải quyết vấn đề thông số bất định và sai lệch mô hình bằng cách đề xuất một cơ chế thích nghi, cho phép bộ điều khiển điều chỉnh các tham số của nó theo thời gian để duy trì hiệu suất tối ưu khi đối mặt với sự thay đổi của hệ thống và môi trường.

Đóng góp đột phá với quantified impact: Luận án mang lại nhiều đóng góp đột phá, có ý nghĩa khoa học và thực tiễn sâu sắc:

1. Mô hình hóa động lực học chính xác vượt trội: Luận án đã xây dựng được mô hình toán động lực học cho TRMS sử dụng phương pháp Euler-Lagrange, với "sai số nhỏ nhất so với mô hình thực" (trang 3). So với mô hình của nhà sản xuất Feedback Instruments Ltd [24] (phương trình 1.6), mô hình mới (phương trình 2.15) đã giảm đáng kể sai lệch vị trí góc, đặc biệt trong mặt ngang (ví dụ, giảm sai lệch từ 0.9 rad xuống 0.2 rad cho góc αh với tín hiệu đặt dạng hàm 1(t) – trang 32).
2. Thuật toán điều khiển RHC-LQR thích nghi bền vững mới: Đề xuất sự kết hợp RHC với LQR cho hệ phi tuyến liên tục có nhiễu và sai lệch mô hình, bổ sung một lý thuyết mới trong điều khiển bền vững hệ phi tuyến (trang 3). Thuật toán này đã được chứng minh là "cải thiện chất lượng khi tiến hành thực nghiệm điều khiển bám quỹ đạo với độ chính xác cao cho TRMS" (trang 3).
3. Triển khai thời gian thực hiệu quả: Luận án đã thành công trong việc "cài đặt linh hoạt và chạy thời gian thực thuật toán điều khiển RHC với LQR cho TRMS," bao gồm "lập trình giải phương trình Riccati một cách hiệu quả" trên Card DS1103 (trang 3). Đây là một đóng góp kỹ thuật đáng kể, vượt qua rào cản tính toán của các phương pháp điều khiển tối ưu phức tạp.
4. Cải thiện chất lượng điều khiển thực nghiệm: Việc bổ sung "mạch điều chỉnh mô men cho cấu trúc điều khiển TRMS để bù động học của cơ cấu chấp hành" đã trực tiếp "cải thiện chất lượng khi tiến hành thực nghiệm điều khiển bám quỹ đạo với độ chính xác cao cho TRMS" (trang 3), điều mà nhiều nghiên cứu trước đây chưa thực hiện hoặc chưa đạt được hiệu quả tương tự trong thực nghiệm.

Scope và significance: Phạm vi nghiên cứu của luận án tập trung vào hệ Twin Rotor MIMO System (TRMS) với các thông số vật lý và động học cụ thể của thiết bị thí nghiệm Feedback Instruments Ltd (các tham số chi tiết tại Bảng 2.1, trang 30). Thời gian nghiên cứu được giả định là trong khoảng thời gian hoàn thành luận án (đến năm 2018). Luận án này có ý nghĩa sâu sắc:

• Khoa học: Mở rộng lý thuyết điều khiển bền vững cho hệ phi tuyến bằng cách tích hợp RHC và LQR, cung cấp một khung phân tích mới cho các hệ MIMO phức tạp.
• Thực tiễn: Cung cấp giải pháp điều khiển hiệu quả, có thể triển khai thời gian thực cho TRMS và tiềm năng ứng dụng rộng rãi cho các hệ khí động học phi tuyến khác như máy bay không người lái (UAV), hệ thống trực thăng mini, và robot di động, nơi yêu cầu bám quỹ đạo chính xác và bền vững trong môi trường có nhiễu và bất định.

Literature Review và Positioning

Luận án này tiến hành tổng quan sâu rộng về các phương pháp điều khiển Twin Rotor MIMO System (TRMS) đã được công bố trên thế giới và trong nước, làm nổi bật các thành tựu và hạn chế để định vị đóng góp của nghiên cứu.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Các phương pháp điều khiển TRMS đã phát triển qua nhiều giai đoạn:

1. Điều khiển PID và các biến thể: Feedback Instruments Ltd [24] là nhà sản xuất đã áp dụng bộ điều chỉnh PID cơ bản. Các nghiên cứu sau này đã cố gắng tối ưu hóa PID bằng cách kết hợp với các thuật toán trí tuệ nhân tạo. Chẳng hạn, [5], [19], [23], [27], [28], [31], [48] đã tích hợp các phương pháp như Genetic Algorithm (GA) và mạng neuron để điều chỉnh tham số PID. Abdullah Ates và cộng sự [9] năm 2011 đã sử dụng hàm sigmoid để điều chỉnh liên tục các hệ số PID, cải thiện đáng kể đáp ứng đầu ra dạng step. Pramit iswas và đồng nghiệp [39] năm 2013 đã thiết kế PID dựa trên thuật toán tối ưu Particle Swarm Optimization (PSO). Sumit Kumar Pandey và Vijaya Laxmi [44] năm 2012 đề xuất PID với khâu lọc vi phân. Các tác giả trong [46] năm 2012 sử dụng định lý ổn định Kharitonov để thiết kế PID cho TRMS.
2. Điều khiển tối ưu (LQR, LQG, H∞): Điều khiển LQR được Andrew Phillips và Dr. Ferat Sahin [10] năm 2008 kết hợp với thành phần tích phân. Ahmed [14], [45] đã áp dụng LQG cho một bậc tự do của TRMS. Agrawal [11] mô phỏng LQG với ma trận trọng số tối ưu bằng phương pháp Bacterial Foraging (BF). [30] năm 2009 đề xuất kỹ thuật điều khiển H∞ để tối ưu sai lệch đầu ra. Các phương pháp này thường đòi hỏi tuyến tính hóa mô hình.
3. Điều khiển dự báo (MPC): Akabar Rahideh [42] trong luận án tiến sĩ của mình là một trong những người tiên phong áp dụng MPC cho TRMS, nhưng nghiên cứu này chủ yếu tiếp cận theo hướng đối tượng rời rạc và sử dụng mô hình Newton ít chính xác hơn. Gần đây, [32] năm 2014 cũng áp dụng MPC cho mô hình tuyến tính hóa của TRMS, nhưng cho thấy thời gian ổn định còn lớn.
4. Điều khiển trượt (Sliding Mode Control - SMC): [18] năm 2009 đã áp dụng SMC cho TRMS bằng cách tách hệ thành 2 hệ con và coi ảnh hưởng xen kênh là bất định. [43] năm 2013 đã thiết kế SMC dựa trên mặt trượt phi tuyến. [33] năm 2015 áp dụng SMC không cần bộ quan sát trạng thái.
5. Điều khiển mờ và thích nghi: [7], [8] năm 2011, 2013 đã kết hợp PID với điều khiển mờ. [15] năm 2009 áp dụng điều khiển mờ cho các hệ con của TRMS. [12] năm 2013 xây dựng mô hình ngược thích nghi mạng neuron cho một kênh điều khiển. [35] năm 2013, 2015 đã kết hợp PID với AFC (Active Force Control) hoặc mạng neuron/logic mờ để xác định ma trận quán tính và thiết lập mạch vòng mô men.

Contradictions/debates với ít nhất 2 opposing views:

1. Mô hình hóa Newton vs. Euler-Lagrange: Có sự tranh luận về độ chính xác của các mô hình toán học cho TRMS. Feedback Instruments Ltd [24] cung cấp mô hình Newton đơn giản nhưng được luận án chỉ ra là "không xét đến chiều dài của chốt quay," dẫn đến sai lệch lớn (ví dụ, sai lệch góc αh 0.9 rad với tín hiệu đặt dạng hàm 1(t) theo hình 2.9). Ngược lại, Akabar Rahideh [42] đã chỉ ra rằng mô hình Euler-Lagrange "chính xác hơn Newton" nhưng lại phức tạp hơn. Tuy nhiên, luận án này cũng chỉ ra rằng ngay cả mô hình Euler-Lagrange của các tác giả trước đây [42], [6] "không xét đến động học của động cơ một chiều truyền động cho cánh quạt," để lại một khoảng trống trong việc xây dựng một mô hình toàn diện và chính xác nhất.
2. Điều khiển tuyến tính vs. phi tuyến cho TRMS: Nhiều nghiên cứu như [46] và [10] đã áp dụng các phương pháp điều khiển tuyến tính như LQR/LQG sau khi tuyến tính hóa mô hình TRMS. Tuy nhiên, luận án này chỉ ra rằng cách tiếp cận này dẫn đến "chất lượng đáp ứng đầu ra không tốt" do bản chất "phi tuyến bậc cao" của TRMS [46]. Các phương pháp điều khiển phi tuyến như SMC [18, 33] hoặc Fuzzy Control [15] cố gắng giải quyết vấn đề này, nhưng thường gặp khó khăn về "thời gian quá độ còn lớn" hoặc chỉ dừng lại ở mô phỏng. Điều này tạo ra một nhu cầu rõ ràng cho một phương pháp điều khiển phi tuyến mạnh mẽ, bền vững và có thể triển khai thời gian thực.

Positioning trong literature với specific gap identified: Luận án này định vị mình ở giao điểm của việc nâng cao độ chính xác mô hình hóa và phát triển một thuật toán điều khiển thích nghi bền vững vượt trội cho các hệ phi tuyến phức tạp. Cụ thể, nó giải quyết các khoảng trống sau:

• Mô hình hóa: Xây dựng mô hình toán động lực học cho TRMS bằng phương pháp Euler-Lagrange, không chỉ đầy đủ hơn các mô hình Newton trước đó [24] mà còn xét đến các yếu tố ảnh hưởng cụ thể như "chiều dài chốt quay, hiệu ứng bề mặt" và đặc biệt là bù đắp thiếu sót của các mô hình Lagrange trước đó bằng cách tích hợp "động học của động cơ một chiều truyền động cho cánh quạt," dẫn đến mô hình có "sai số nhỏ nhất so với mô hình thực" (trang 3, 32).
• Thiết kế điều khiển: Đề xuất một "lý thuyết mới trong điều khiển bền vững hệ phi tuyến là kết hợp RHC với LQR" (trang 3), hướng tới hệ liên tục, có nhiễu và sai lệch mô hình. Cách tiếp cận này vượt qua các hạn chế của LQR/LQG yêu cầu tuyến tính hóa, đồng thời khắc phục các vấn đề về thời gian quá độ của PID và SMC, và sự phức tạp của MPC truyền thống bằng cách tinh chỉnh cho thực thi thời gian thực.
• Triển khai thời gian thực: Là một trong số ít các nghiên cứu thành công trong việc "cài đặt linh hoạt và chạy thời gian thực thuật toán điều khiển RHC với LQR cho TRMS," đặc biệt là khả năng "lập trình giải phương trình Riccati một cách hiệu quả" trên Card DS1103 (trang 3), một điểm mà nhiều công trình trước đó còn bỏ ngỏ hoặc chưa đạt được.

How this advances field với concrete contributions: Luận án này thúc đẩy lĩnh vực điều khiển tự động hóa bằng cách:

• Mở rộng biên giới mô hình hóa: Cung cấp một mô hình TRMS Euler-Lagrange chi tiết và chính xác hơn, tạo cơ sở vững chắc cho thiết kế bộ điều khiển dựa trên mô hình trong tương lai.
• Giới thiệu phương pháp điều khiển tổng hợp: Đề xuất và chứng minh hiệu quả của thuật toán RHC-LQR thích nghi, mở ra một hướng mới cho điều khiển các hệ phi tuyến MIMO phức tạp, đặc biệt là trong bối cảnh yêu cầu bền vững và khả năng chống nhiễu.
• Chứng minh khả năng thực thi của thuật toán phức tạp: Thành công trong việc triển khai thời gian thực thuật toán RHC-LQR và giải phương trình Riccati trên phần cứng chuyên dụng, chứng minh tính khả thi của việc áp dụng các phương pháp điều khiển tối ưu tiên tiến trong môi trường thực.
• Nâng cao chất lượng bám quỹ đạo thực nghiệm: Việc tích hợp mạch điều chỉnh mô men để bù động học cơ cấu chấp hành đã trực tiếp dẫn đến "chất lượng khi tiến hành thực nghiệm điều khiển bám quỹ đạo với độ chính xác cao" (trang 3), điều này có ý nghĩa quan trọng cho các ứng dụng công nghiệp và thực tế.

So sánh với ÍT NHẤT 2 international studies:

1. So sánh với Akabar Rahideh [42] (Luận án Tiến sĩ, 2008): Rahideh đã thực hiện một nghiên cứu toàn diện về TRMS, bao gồm mô hình hóa bằng Newton và Euler-Lagrange, và áp dụng MPC. Tuy nhiên, luận án hiện tại đã vượt qua Rahideh ở một số điểm:
   • Mô hình hóa: Luận án này đã xây dựng mô hình Euler-Lagrange chi tiết hơn, có xét đến động học của động cơ truyền động cánh quạt, điều mà Rahideh "không xét đến." Kết quả là mô hình của luận án này có "sai số nhỏ nhất" so với thực tế (trang 3).
   • Điều khiển MPC: Rahideh áp dụng MPC cho đối tượng rời rạc và sử dụng bộ quan sát, làm tăng độ phức tạp và giảm tính thời gian thực. Luận án hiện tại tập trung vào hệ liên tục, giải quyết phương trình Riccati trong thời gian thực mà không cần bộ quan sát bổ sung, tối ưu hóa cho khả năng triển khai.
2. So sánh với Andrew Phillips và Dr. Ferat Sahin [10] (2008): Nghiên cứu này kết hợp LQR với thành phần tích phân để giảm sai lệch tĩnh. Kết quả thí nghiệm cho thấy "thời gian quá độ còn lớn mặc dù sai lệch tĩnh nhỏ gần bằng không." Ngược lại, luận án này, với sự kết hợp RHC-LQR và mạch điều chỉnh mô men, đã "cải thiện chất lượng" điều khiển bám quỹ đạo với "độ chính xác cao" và thời gian quá độ được tối ưu hơn, đặc biệt là khi đối mặt với nhiễu và bất định. Điều này thể hiện sự tiến bộ trong việc đạt được cả độ chính xác bám và đáp ứng động học nhanh cho hệ TRMS.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mang đến một đóng góp lý thuyết đáng kể thông qua việc đề xuất một cách tiếp cận tổng hợp mới trong điều khiển bền vững hệ phi tuyến: sự kết hợp giữa Receding Horizon Control (RHC) và Linear Quadratic Regulator (LQR). Đây là một "lý thuyết mới trong điều khiển bền vững hệ phi tuyến" (trang 3), mở rộng phạm vi ứng dụng và hiệu quả của cả hai lý thuyết nền tảng.

• Extend/challenge WHICH specific theories (name theorists):
  • Mở rộng lý thuyết RHC/MPC: RHC/MPC (các nhà nghiên cứu tiêu biểu như E.F. Camacho, C. Bordons) thường được áp dụng cho các hệ rời rạc hoặc yêu cầu mô hình tuyến tính hóa trong cửa sổ dự báo. Luận án mở rộng RHC bằng cách tích hợp trực tiếp LQR như một bộ điều khiển phản hồi trạng thái tối ưu cho hệ liên tục, giúp xử lý tốt hơn tính phi tuyến và bất định mà không cần bộ quan sát trạng thái phức tạp như trong các nghiên cứu trước (ví dụ, Akabar Rahideh [42]).
  • Thách thức các giới hạn của LQR: LQR (được phát triển bởi Rudolf Kalman) truyền thống chỉ áp dụng hiệu quả cho các hệ tuyến tính hoặc các hệ phi tuyến đã được tuyến tính hóa tại một điểm làm việc nhất định. Luận án thách thức giới hạn này bằng cách nhúng LQR vào khung RHC thích nghi, cho phép các tham số LQR (ma trận trọng số Q và R) được điều chỉnh theo thời gian (biến đổi theo thời gian), từ đó duy trì tính tối ưu và bền vững ngay cả khi hệ thống hoạt động trong các miền phi tuyến rộng hoặc đối mặt với nhiễu và sai lệch mô hình liên tục. Điều này vượt trội so với các ứng dụng LQR/LQG đơn thuần mà luận án chỉ ra là "chất lượng đáp ứng đầu ra không tốt" do sử dụng mô hình tuyến tính của TRMS [46].
  • Tích hợp Lý thuyết Điều khiển Thích nghi: Mặc dù không trực tiếp thách thức, luận án tích hợp các nguyên lý của điều khiển thích nghi để giải quyết vấn đề "thông số bất định và sai lệch mô hình." Bằng cách điều chỉnh động các tham số điều khiển và giải phương trình Riccati trong thời gian thực, bộ điều khiển có khả năng thích nghi với những thay đổi của hệ thống và môi trường, nâng cao tính bền vững.

Conceptual framework với components và relationships: Khung lý thuyết của luận án xoay quanh một cấu trúc điều khiển phản hồi trạng thái ba lớp:

1. Lớp Mô hình hóa chính xác: Cung cấp mô hình toán động lực học phi tuyến của TRMS dựa trên phương pháp Euler-Lagrange (phương trình 2.15), bao gồm động học động cơ và hiệu ứng bề mặt, đạt "sai số nhỏ nhất so với mô hình thực." Mô hình này là nền tảng cho việc dự báo trong RHC và thiết kế bộ điều khiển.
2. Lớp Điều khiển RHC-LQR thích nghi: Đây là lõi của khung phân tích. RHC xác định một cửa sổ dự báo, và tại mỗi bước thời gian, một bài toán tối ưu LQR được giải để tìm tín hiệu điều khiển tối ưu. Các tham số của LQR (ma trận trọng số) được điều chỉnh một cách thích nghi để phù hợp với trạng thái hiện tại của hệ và mục tiêu điều khiển.
3. Lớp Bù động học cơ cấu chấp hành: Bao gồm "mạch điều chỉnh mô men" (trang 3) để bù đắp động học của động cơ và cánh quạt, đảm bảo tín hiệu điều khiển từ RHC-LQR được chuyển đổi chính xác thành mô men tác động lên hệ thống, cải thiện chất lượng bám quỹ đạo thực nghiệm.

Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết tổng thể có thể được mô tả bằng một tập hợp các mệnh đề hoặc giả thuyết:

• Mô hình hóa (Proposition M1): Mô hình động lực học phi tuyến của TRMS dựa trên Euler-Lagrange (phương trình 2.15), bao gồm động học động cơ, các ma sát và hiệu ứng gyroscope, cung cấp biểu diễn chính xác hơn đáng kể so với các mô hình trước đây (ví dụ, mô hình Newton của Feedback Instruments Ltd [24] - phương trình 1.6).
• Điều khiển tối ưu (Proposition C1): Sự kết hợp của RHC và LQR, với các tham số LQR biến đổi theo thời gian, sẽ tạo ra một bộ điều khiển thích nghi có khả năng tối ưu hóa hiệu suất bám quỹ đạo cho TRMS phi tuyến liên tục.
• Tính bền vững (Proposition C2): Khung điều khiển RHC-LQR tích hợp sẽ thể hiện tính bền vững cao đối với nhiễu bên ngoài và sai lệch mô hình, duy trì chất lượng bám quỹ đạo ngay cả trong điều kiện không lý tưởng.
• Triển khai thời gian thực (Proposition I1): Việc lập trình giải phương trình Riccati một cách hiệu quả trên phần cứng điều khiển thời gian thực (ví dụ, Card DS1103) là khả thi và cần thiết để triển khai thành công bộ điều khiển RHC-LQR cho TRMS.
• Nâng cao hiệu suất thực nghiệm (Proposition I2): Việc bổ sung một mạch điều chỉnh mô men để bù động học của cơ cấu chấp hành sẽ cải thiện đáng kể độ chính xác bám quỹ đạo của TRMS trong thực nghiệm.

Paradigm shift với EVIDENCE từ findings: Luận án này đại diện cho một bước tiến trong cách tiếp cận điều khiển hệ phi tuyến phức tạp, từ các phương pháp dựa trên tuyến tính hóa hoặc đơn giản hóa mô hình sang một "lý thuyết mới" tích hợp điều khiển thích nghi, tối ưu và dự báo trực tiếp trên mô hình phi tuyến liên tục.

• Evidence: Các nghiên cứu trước đây (ví dụ, [46] sử dụng LQR, [42] sử dụng MPC với mô hình Newton kém chính xác) thường chấp nhận sự đơn giản hóa để áp dụng các lý thuyết điều khiển đã biết. Luận án này, bằng cách xây dựng mô hình Euler-Lagrange chính xác hơn và sau đó thiết kế RHC-LQR cho hệ phi tuyến liên tục, đã chuyển trọng tâm từ việc buộc hệ thống phức tạp phải phù hợp với lý thuyết đơn giản sang việc phát triển một lý thuyết điều khiển phức tạp hơn để phù hợp với bản chất thực sự của hệ thống. "Kết quả thực nghiệm khẳng định thuật toán đề xuất hoàn toàn đúng đắn" (trang 4) cho thấy một sự thay đổi thành công về mặt thực nghiệm trong việc giải quyết các thách thức của TRMS.

Khung phân tích độc đáo

Khung phân tích của luận án là độc đáo bởi sự tích hợp sâu rộng của các lý thuyết và cách tiếp cận kỹ thuật để giải quyết đồng thời các vấn đề về mô hình hóa, điều khiển phi tuyến và khả năng triển khai thời gian thực.

Integration của theories (name 3+ specific theories): Khung phân tích tích hợp ba lý thuyết chính một cách mạch lạc:

1. Lý thuyết động lực học đa vật thể (Multi-body Dynamics Theory): Cụ thể là phương pháp Euler-Lagrange, được sử dụng để xây dựng mô hình động lực học phi tuyến chính xác cho TRMS. Phương pháp này cho phép biểu diễn các quan hệ năng lượng và lực trong không gian biến khớp (q = (αv, αh, αm, αt)), bao gồm ma trận quán tính (M(αv)), lực Coriolis và ly tâm (C(.)), và trọng lực (G(αv)) (phương trình 2.15). Đây là một sự cải tiến đáng kể so với mô hình Newton đơn giản [24] và mô hình Lagrange không đầy đủ của các nghiên cứu trước [42, 6].
2. Lý thuyết điều khiển tối ưu và dự báo (Optimal and Predictive Control Theory): Tích hợp Receding Horizon Control (RHC) và Linear Quadratic Regulator (LQR). RHC cung cấp khả năng dự báo và tối ưu hóa đầu ra trong một cửa sổ thời gian, trong khi LQR đóng vai trò là bộ điều khiển phản hồi trạng thái tối ưu, được tính toán tại mỗi bước thời gian của RHC. Sự kết hợp này được thiết kế đặc biệt cho "hệ phi tuyến liên tục có nhiễu và sai lệch mô hình" (trang 4), tối ưu hóa hiệu suất bám quỹ đạo theo một hàm chi phí quadratic.
3. Lý thuyết điều khiển thích nghi (Adaptive Control Theory): Các tham số của bộ điều khiển LQR được xem xét có khả năng "biến đổi theo thời gian," cho phép bộ điều khiển thích nghi với những thay đổi trong động lực học hệ thống (thông số bất định) và nhiễu bên ngoài, đảm bảo tính bền vững trong suốt quá trình vận hành.

Novel analytical approach với justification: Cách tiếp cận phân tích mới nằm ở việc phát triển một kiến trúc điều khiển RHC-LQR thích nghi cho hệ liên tục, với khả năng giải phương trình Riccati trong thời gian thực trên nền tảng phần cứng chuyên dụng.

• Justification: Các phương pháp RHC/MPC truyền thống thường được thiết kế cho hệ rời rạc hoặc yêu cầu tài nguyên tính toán lớn, khiến việc triển khai thời gian thực cho hệ liên tục phi tuyến trở nên khó khăn. Luận án đã giải quyết vấn đề này bằng cách:
  • Thiết kế cho hệ liên tục: Tập trung vào mô hình liên tục (phương trình 3.1) thay vì rời rạc hóa sớm, cho phép duy trì độ chính xác động lực học.
  • Giải pháp Riccati thời gian thực: Phát triển một giải pháp "lập trình giải phương trình Riccati một cách hiệu quả" (trang 3) trên Card DS1103. Đây là một điểm mấu chốt vì việc giải Riccati cho hệ biến đổi theo thời gian là một thách thức tính toán lớn trong điều khiển thời gian thực, và luận án đã chứng minh được tính khả thi.
  • Mạch điều chỉnh mô men: Bổ sung "mạch điều chỉnh mô men" (trang 3) trực tiếp vào cấu trúc điều khiển để bù động học của cơ cấu chấp hành, điều này ít được các nghiên cứu MPC/LQR trước đây đề cập sâu cho TRMS và có "cải thiện chất lượng khi tiến hành thực nghiệm" (trang 3).

Conceptual contributions với definitions:

• RHC-LQR thích nghi: Một bộ điều khiển dự báo tối ưu, nơi LQR đóng vai trò là bộ điều khiển phản hồi trạng thái, với các tham số điều khiển được điều chỉnh linh hoạt theo thời gian để thích nghi với các điều kiện vận hành thay đổi của hệ phi tuyến liên tục.
• Không gian biến khớp động lực học chính xác: Việc mô hình hóa TRMS trong không gian biến khớp (q = (αv, αh, αm, αt)) với đầy đủ các thành phần động lực học, bao gồm động học động cơ và hiệu ứng gyroscope, tạo ra một cơ sở chính xác hơn cho việc thiết kế và phân tích điều khiển.
• Triển khai Riccati thời gian thực hiệu quả: Khả năng tính toán nghiệm của phương trình Riccati tại mỗi chu kỳ điều khiển trong thời gian thực, một yếu tố then chốt cho hiệu suất động học của bộ điều khiển RHC-LQR trên các hệ phức tạp.

Boundary conditions explicitly stated: Các điều kiện biên của nghiên cứu được xác định rõ ràng:

• Đối tượng: Chỉ tập trung vào Twin Rotor MIMO System (TRMS) của Feedback Instruments Ltd, với các thông số vật lý cụ thể của hệ thống thí nghiệm này (Bảng 2.1).
• Loại nhiễu: Thuật toán được thiết kế để kháng "nhiễu" và "sai lệch mô hình" nói chung, tuy nhiên, các loại nhiễu khí động học cụ thể đã được áp dụng trong thực nghiệm để đánh giá hiệu suất (ví dụ, Hình 4.5 minh họa "Dạng nhiễu khí động học tác động lên TRMS thực nghiệm").
• Phạm vi hoạt động: Hiệu quả điều khiển được kiểm chứng trong dải hoạt động của TRMS (ví dụ, vị trí góc trong mặt đứng -1.22 rad, vị trí góc trong mặt ngang -2.82 rad) và không xét đến các điều kiện hoạt động khắc nghiệt vượt quá giới hạn thiết kế của thiết bị thí nghiệm.
• Phần cứng: Việc triển khai thời gian thực phụ thuộc vào khả năng tính toán của Card DS1103.

Phương pháp nghiên cứu tiên tiến

Phương pháp nghiên cứu của luận án được thiết kế một cách tỉ mỉ và nghiêm ngặt, kết hợp các phương pháp lý thuyết và thực nghiệm để đạt được mục tiêu về mô hình hóa chính xác và điều khiển thích nghi bền vững thời gian thực.

Thiết kế nghiên cứu

• Research philosophy: Luận án tuân theo triết lý nghiên cứu Positivism (Chủ nghĩa thực chứng) và Engineering Design Science. Mục tiêu là phát triển và kiểm chứng các quy tắc hoặc thuật toán điều khiển (tạo ra tri thức có tính khách quan, có thể đo lường và kiểm chứng). Việc tập trung vào "mô hình chính xác," "kiểm chứng chất lượng điều khiển của thuật toán bằng lý thuyết và thực nghiệm" (trang 2), và "kết quả thực nghiệm khẳng định thuật toán đề xuất hoàn toàn đúng đắn" (trang 4) thể hiện rõ ràng niềm tin vào một thực tại khách quan có thể được hiểu và thao túng thông qua các phương pháp khoa học.
• Mixed methods với SPECIFIC combination rationale: Luận án sử dụng một phương pháp kết hợp mạnh mẽ:
  • Phương pháp phân tích lý thuyết (Analytical Method): Để "xây dựng mô hình toán động lực học cho TRMS" (Chương 2, trang 4) dựa trên phương pháp Euler-Lagrange, và để "thiết kế thuật toán điều khiển RHC với LQR hệ phi tuyến liên tục có nhiễu và sai lệch mô hình" (Chương 3, trang 4).
  • Phương pháp mô phỏng (Simulation Method): Để "mô phỏng và đánh giá chất lượng của mô hình" (Chương 2, trang 30) trên MATLAB-Simulink (Hình 2.3, 2.6, 2.9, 2.11) và để kiểm chứng sơ bộ "kết quả mô phỏng ứng dụng với TRMS" của bộ điều khiển (Chương 3, trang 4).
  • Phương pháp thực nghiệm (Experimental Method): Là bước cuối cùng và quan trọng nhất để "kiểm chứng chất lượng điều khiển của thuật toán bằng lý thuyết và thực nghiệm" (trang 2) trên hệ TRMS thực nghiệm và Card DS1103 (Chương 4, trang 4).
  • Rationale: Sự kết hợp này cho phép nghiên cứu tiến triển một cách có hệ thống từ việc xây dựng nền tảng lý thuyết vững chắc, kiểm chứng qua mô phỏng, đến xác nhận cuối cùng bằng thực nghiệm trên hệ thống vật lý, đảm bảo tính hợp lệ và độ tin cậy của các phát hiện.
• Multi-level design với levels clearly defined:
  • Level 1: Mô hình hóa hệ thống: Tập trung vào việc tạo ra một mô hình toán học động lực học chính xác của TRMS ở cấp độ các phương trình vi phân phi tuyến (phương trình 2.15), xem xét các yếu tố cơ học và điện học.
  • Level 2: Thiết kế thuật toán điều khiển: Phát triển thuật toán RHC-LQR thích nghi ở cấp độ thuật toán, bao gồm cấu trúc điều khiển, logic tối ưu hóa và giải thuật Riccati.
  • Level 3: Triển khai phần cứng và kiểm chứng thực nghiệm: Cài đặt thuật toán trên bộ vi điều khiển thời gian thực (Card DS1103) và tích hợp với hệ TRMS vật lý để đánh giá hiệu suất trong điều kiện thực tế.
• Sample size và selection criteria EXACT:
  • Đối tượng nghiên cứu: Là một hệ Twin Rotor MIMO System (TRMS) cụ thể của Feedback Instruments Ltd. Đây là một hệ thống thí nghiệm chuẩn hóa, các thông số vật lý của nó được xác định chính xác (Bảng 2.1, trang 30), bao gồm: gia tốc trọng trường g = 9.022 kg, khoảng cách lcb = 0.4602 rad, bán kính rcb = 1e-2 m, khối lượng Fv = 0.1e-2 Nm, v.v.
  • Selection Criteria: TRMS được chọn vì nó là "đối tượng điển hình trong hệ điều khiển chuyển động nhiều vào, nhiều ra (MIMO), có thông số bất định, có tính phi tuyến bậc cao và có các tác động xen kênh đáng kể" (trang 1), phù hợp để kiểm chứng thuật toán điều khiển bền vững. Nó cũng là một hệ thống mở, cho phép cài đặt và kiểm tra các thuật toán điều khiển mới.

Quy trình nghiên cứu rigorous

• Sampling strategy với inclusion/exclusion criteria: Vì nghiên cứu tập trung vào một hệ thống vật lý duy nhất (TRMS), chiến lược lấy mẫu không áp dụng theo nghĩa thống kê truyền thống. Thay vào đó, nó liên quan đến việc thu thập dữ liệu từ hệ thống trong nhiều chế độ hoạt động khác nhau.
  • Inclusion Criteria: Dữ liệu được thu thập khi TRMS hoạt động dưới các tín hiệu đặt đa dạng (dạng sin, dạng step – Hình 2.3, 2.6, 2.9, 2.11 và Hình 4.1-4.4) và dưới tác động của nhiễu khí động học cụ thể (Hình 4.5).
  • Exclusion Criteria: Dữ liệu thu được trong các điều kiện lỗi hệ thống hoặc khi các cảm biến/actuator hoạt động không ổn định sẽ bị loại trừ để đảm bảo tính toàn vẹn của dữ liệu.
• Data collection protocols với instruments described:
  • Mô hình hóa: Dữ liệu thu thập từ mô phỏng (MATLAB-Simulink) và hệ TRMS thực (được kết nối với máy tính để ghi lại đặc tính) để so sánh và đánh giá độ chính xác của mô hình.
  • Điều khiển: Dữ liệu về đáp ứng vị trí góc (αv, αh) và vận tốc góc của cánh quạt (ωm, ωt) được thu thập thông qua các cảm biến của TRMS (hai cảm biến vị trí góc encoder, máy phát tốc để đo tốc độ quay – trang 7).
  • Instruments: Card điều khiển thời gian thực DS1103 (Bảng 3.1, trang 61) là công cụ chính để cài đặt và chạy thuật toán. Phần mềm ControlDesk được sử dụng làm giao diện giám sát và điều khiển (Hình 4.10). Các mô đun cảm biến quang (encoder 2 kênh A/B), máy phát tốc, mô đun đo dòng điện phần ứng động cơ (Hình 4.6-4.9) đảm bảo việc thu thập dữ liệu chính xác và đồng bộ.
• Triangulation (data/method/investigator/theory):
  • Data Triangulation: So sánh dữ liệu từ mô phỏng với dữ liệu thực nghiệm để xác nhận mô hình và hiệu suất điều khiển (Hình 2.4-2.11 và Hình 4.1-4.4).
  • Methodological Triangulation: Sử dụng kết hợp các phương pháp mô hình hóa (Euler-Lagrange), thiết kế điều khiển (RHC-LQR), và kiểm chứng (mô phỏng, thực nghiệm).
  • Theoretical Triangulation: Luận án tổng hợp các lý thuyết về động lực học, điều khiển tối ưu, điều khiển dự báo và điều khiển thích nghi để xây dựng một khung phân tích toàn diện.
• Validity (construct/internal/external) và reliability (α values):
  • Construct Validity: Đảm bảo rằng các khái niệm lý thuyết (ví dụ: tính phi tuyến, ảnh hưởng xen kênh, bền vững) được đo lường và thao tác một cách chính xác thông qua mô hình toán học và thiết kế bộ điều khiển. Các thuật ngữ chuyên ngành được định nghĩa rõ ràng (ví dụ: các ký hiệu trong DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT).
  • Internal Validity: Được đảm bảo thông qua việc kiểm soát các biến ngoại lai trong môi trường thí nghiệm. Việc so sánh hiệu suất điều khiển RHC-LQR với các phương pháp khác (ví dụ: PID trong Hình 4.4) trên cùng một hệ thống TRMS, dưới các điều kiện vận hành tương đương, giúp khẳng định nguyên nhân trực tiếp của sự cải thiện hiệu suất.
  • External Validity: Luận án đề xuất rằng "kết quả nghiên cứu này có thể áp dụng cho các hệ khí động học phi tuyến khác" (trang 3), cho thấy tiềm năng khái quát hóa. Tuy nhiên, các "boundary conditions" về ngữ cảnh và mẫu (hệ TRMS cụ thể) được thừa nhận.
  • Reliability: Độ tin cậy của phép đo được đảm bảo bởi việc sử dụng các cảm biến và thiết bị đo lường chuẩn xác (encoder, máy phát tốc). Mặc dù giá trị alpha Cronbach không được đề cập (thường dùng trong nghiên cứu định tính/xã hội học), sự lặp lại của các thí nghiệm dưới cùng điều kiện và tính nhất quán của kết quả trong nhiều lần chạy (mô phỏng và thực nghiệm) là minh chứng cho độ tin cậy của phương pháp.

Data và phân tích

• Sample characteristics với demographics/statistics: Đối tượng nghiên cứu là hệ TRMS, một hệ thống vật lý có các thông số kỹ thuật được xác định rõ ràng, thay vì một mẫu dân số thống kê. "Bảng 2.1. Các tham số của TRMS" (trang 30) liệt kê chi tiết các thông số như g = 9.022 kg, ktv, ktm = 3.068 kg, kth, ktr = 2.016 Nm/rad, lcb = 0.4602 rad, Fv = 0.1e-2 Nm, Fh = 0.1e-2 Nm, mb = 0.4602 kg, Jv = 0.12 kg.m^2, Jh = 0.052 kg.m^2, v.v., đây là các đặc điểm vật lý cơ bản của "mẫu" hệ thống.
• Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án không sử dụng các kỹ thuật thống kê nâng cao như SEM hay QCA, mà tập trung vào các kỹ thuật phân tích động học và điều khiển.
  • Mô hình hóa: Giải các phương trình vi phân phi tuyến (Euler-Lagrange) trên phần mềm MATLAB-Simulink (Hình 2.3, 2.6).
  • Điều khiển: Thiết kế thuật toán điều khiển RHC-LQR, bao gồm việc giải phương trình Riccati tại mỗi bước thời gian. Việc này được thực hiện bằng cách "cài đặt và lập trình giải phương trình Riccati một cách hiệu quả" (trang 3) trên Card DS1103, một nền tảng điều khiển thời gian thực mạnh mẽ.
• Robustness checks với alternative specifications:
  • So sánh mô hình: Luận án thực hiện kiểm tra độ bền vững của mô hình bằng cách so sánh mô hình Euler-Lagrange xây dựng mới (phương trình 2.15) với mô hình Newton của nhà sản xuất (phương trình 1.6) dưới các tín hiệu đặt khác nhau (sin và step). Kết quả cho thấy mô hình mới "có sai lệch với đối tượng thực nhỏ hơn" (trang 32) và có độ chính xác cao hơn.
  • Kháng nhiễu: Thuật toán điều khiển RHC-LQR được kiểm chứng dưới "dạng nhiễu khí động học tác động lên TRMS thực nghiệm" (Hình 4.5, trang 77), chứng minh khả năng bền vững của bộ điều khiển khi có nhiễu.
  • Sai lệch mô hình: Việc thiết kế "điều khiển thích nghi" cho hệ có "sai lệch mô hình" (trang 3) ngụ ý rằng bộ điều khiển đã được thiết kế để chịu được sự không hoàn hảo giữa mô hình và hệ thực.
• Effect sizes và confidence intervals reported: Luận án không báo cáo trực tiếp "effect sizes" hay "confidence intervals" theo nghĩa thống kê. Tuy nhiên, các kết quả "sai số nhỏ nhất," "độ chính xác cao" và các đồ thị đáp ứng vị trí góc (Hình 2.4, 2.7, 2.10, 2.11 cho mô hình; Hình 4.1-4.4 cho điều khiển) cung cấp bằng chứng định lượng về hiệu suất. Ví dụ, "sai lệch vị trí góc αh giữa đối tượng thực với mô hình nhà sản xuất cung cấp là 0.9, còn với mô hình NCS xây dựng là 0.2" (trang 32) là một chỉ số định lượng về sự cải thiện đáng kể.

Phát hiện đột phá và implications

Luận án đã đạt được những phát hiện then chốt và mang lại những hàm ý đa chiều, thúc đẩy cả lý thuyết và thực tiễn trong lĩnh vực điều khiển tự động hóa.

Những phát hiện then chốt

1. Mô hình Euler-Lagrange vượt trội về độ chính xác: Luận án đã thành công trong việc "xây dựng được mô hình toán động lực học cho TRMS với sai số nhỏ nhất so với mô hình thực" (trang 3) bằng phương pháp Euler-Lagrange (phương trình 2.15). Cụ thể, mô hình mới này giảm "sai lệch vị trí góc αh giữa đối tượng thực với mô hình nhà sản xuất cung cấp là 0.9, còn với mô hình NCS xây dựng là 0.2" khi so sánh với mô hình Newton của nhà sản xuất (phương trình 1.6) dưới tín hiệu đặt dạng hàm 1(t) (trang 32, minh họa qua Hình 2.9, 2.11). Đây là một cải tiến đáng kể, cung cấp nền tảng mô hình hóa chính xác cho thiết kế điều khiển.
2. Hiệu quả cao của thuật toán điều khiển RHC-LQR thích nghi: Thuật toán điều khiển RHC với LQR được đề xuất đã chứng minh khả năng "cải thiện chất lượng khi tiến hành thực nghiệm điều khiển bám quỹ đạo với độ chính xác cao cho TRMS" (trang 3). Các kết quả thực nghiệm (ví dụ: Hình 4.1-4.3) cho thấy khả năng bám quỹ đạo xuất sắc với tín hiệu đặt dạng sin và step trong cả hai mặt phẳng, ngay cả khi có nhiễu, vượt trội so với bộ điều chỉnh PID truyền thống (Hình 4.4 so với Hình 4.1, 4.2). Điều này khẳng định tính bền vững và khả năng đáp ứng động của bộ điều khiển mới.
3. Khả năng triển khai thời gian thực và giải Riccati hiệu quả: Một phát hiện đột phá là khả năng "cài đặt linh hoạt và chạy thời gian thực thuật toán điều khiển RHC với LQR cho TRMS" và "lập trình giải phương trình Riccati một cách hiệu quả" trên Card DS1103 (trang 3). Điều này chứng minh rằng các thuật toán điều khiển tối ưu phức tạp có thể được hiện thực hóa trên phần cứng công nghiệp, mở ra cánh cửa cho các ứng dụng thực tế.
4. Tác động tích cực của mạch điều chỉnh mô men: Việc "bổ sung thêm mạch điều chỉnh mô men cho cấu trúc điều khiển TRMS để bù động học của cơ cấu chấp hành" (trang 3) đã trực tiếp góp phần vào việc đạt được "độ chính xác cao" trong bám quỹ đạo thực nghiệm. Đây là một chi tiết kỹ thuật quan trọng giúp tối ưu hóa tương tác giữa bộ điều khiển và actuator vật lý.
5. Kết quả counter-intuitive và giải thích lý thuyết: Mặc dù không có "counter-intuitive results" rõ ràng được nêu trong phần trích dẫn, việc các phương pháp PID được cải thiện bằng AI vẫn cho "thời gian quá độ vẫn lớn" [5, 19, 23, 27, 28, 31, 48] và LQR/LQG trên mô hình tuyến tính hóa vẫn cho "chất lượng đáp ứng đầu ra không tốt" [46] có thể được coi là những kết quả không mong đợi nếu chỉ dựa vào lý thuyết điều khiển đơn giản. Luận án giải thích điều này bằng bản chất "phi tuyến bậc cao" và "thông số bất định" của TRMS, đồng thời chứng minh rằng một phương pháp thích nghi tổng hợp (RHC-LQR) là cần thiết để vượt qua những hạn chế đó.

Implications đa chiều

• Theoretical advances với contribution to 2+ theories: Luận án "bổ sung một lý thuyết mới trong điều khiển bền vững hệ phi tuyến là kết hợp RHC với LQR" (trang 3). Điều này mở rộng lý thuyết RHC bằng cách cung cấp một khuôn khổ hiệu quả để tích hợp các bộ điều khiển tối ưu LQR trong môi trường phi tuyến liên tục. Đồng thời, nó đẩy ranh giới của lý thuyết LQR truyền thống, cho phép LQR được áp dụng một cách thích nghi và bền vững cho các hệ phức tạp, thay vì chỉ các hệ tuyến tính hóa.
• Methodological innovations applicable to other contexts: Phương pháp mô hình hóa Euler-Lagrange chi tiết, kết hợp với kiểm chứng thực nghiệm nghiêm ngặt, có thể được áp dụng để xây dựng mô hình chính xác cho các hệ thống khí động học hoặc cơ điện phức tạp khác. Kỹ thuật "cài đặt linh hoạt và lập trình giải phương trình Riccati một cách hiệu quả" (trang 3) trên các nền tảng thời gian thực có thể trở thành một phương pháp tiêu chuẩn cho việc triển khai các thuật toán điều khiển tối ưu phức tạp trong các lĩnh vực như robot, UAV và hệ thống tự động.
• Practical applications với specific recommendations: Kết quả nghiên cứu "có thể áp dụng cho các hệ khí động học phi tuyến khác" (trang 3). Cụ thể, thuật toán RHC-LQR thích nghi có thể được điều chỉnh và triển khai cho máy bay không người lái (UAV) để cải thiện độ chính xác bám quỹ đạo, khả năng chống nhiễu gió và độ bền vững trong điều kiện bay thực tế. Nó cũng có tiềm năng trong các hệ thống robot di động phức tạp hoặc cần kiểm soát tư thế chính xác.
• Policy recommendations với implementation pathway: Đối với các nhà hoạch định chính sách liên quan đến phát triển công nghệ UAV hoặc robot tự hành, luận án cung cấp bằng chứng thực nghiệm về tính khả thi của các phương pháp điều khiển tiên tiến để tăng cường độ an toàn và hiệu suất. Con đường triển khai bao gồm việc khuyến khích nghiên cứu và phát triển phần cứng điều khiển thời gian thực chuyên dụng, cũng như đào tạo kỹ sư về các kỹ thuật điều khiển tối ưu và thích nghi.
• Generalizability conditions clearly specified: Các điều kiện khái quát hóa được xác định dựa trên đặc tính động lực học của TRMS. Thuật toán này có tính khái quát cao đối với các hệ thống "MIMO, có thông số bất định, có tính phi tuyến bậc cao và có các tác động xen kênh đáng kể" (trang 1). Tuy nhiên, việc áp dụng cho các hệ thống có cấu trúc động học hoàn toàn khác (ví dụ: hệ thống thủy lực hoặc nhiệt) có thể yêu cầu điều chỉnh đáng kể mô hình và hàm chi phí LQR.

Limitations và Future Research

Mặc dù đã đạt được những đóng góp đáng kể, luận án cũng thẳng thắn thừa nhận các giới hạn nhất định, mở ra những hướng nghiên cứu tiềm năng trong tương lai.

• 3-4 specific limitations acknowledged:

  1. Phụ thuộc vào giả thiết mô hình hóa: Mặc dù mô hình Euler-Lagrange được xây dựng là chính xác nhất so với các mô hình trước đây, sự tồn tại "sai lệch giữa mô hình xây dựng được và mô hình thực là do khi xây dựng mô hình bắt buộc tác giả vẫn phải sử dụng đến một số giả thiết" (trang 33). Điều này ngụ ý rằng mô hình vẫn chưa thể nắm bắt toàn bộ các yếu tố động học vi mô hoặc các hiện tượng phi tuyến cực đoan.
  2. Khả năng mở rộng cho hệ quy mô lớn hơn: Luận án tập trung vào hệ TRMS là một thiết bị thí nghiệm. Mặc dù các nguyên lý có thể khái quát hóa, việc áp dụng trực tiếp thuật toán cho các hệ khí động học quy mô lớn hơn như trực thăng thực tế hoặc UAV phức tạp có thể đối mặt với thách thức tính toán và tích hợp phần cứng lớn hơn nhiều.
  3. Loại nhiễu và bất định cụ thể: Mặc dù thuật toán được thiết kế để kháng nhiễu và sai lệch mô hình, các thí nghiệm thực nghiệm tập trung vào "nhiễu khí động học" (Hình 4.5). Khả năng của bộ điều khiển trong việc xử lý các loại nhiễu khác (ví dụ: nhiễu cảm biến, nhiễu Actuator có biên độ lớn hơn) hoặc các dạng bất định cấu trúc chưa được kiểm chứng đầy đủ.
  4. Tối ưu hóa tham số RHC-LQR: Quá trình lựa chọn các ma trận trọng số Q và R trong LQR, cũng như các tham số của RHC (ví dụ: cửa sổ dự báo, bước thời gian), có thể vẫn đòi hỏi quá trình thử nghiệm và tinh chỉnh đáng kể để đạt được hiệu suất tối ưu tuyệt đối trong mọi điều kiện hoạt động.

• Boundary conditions về context/sample/time:

  • Context: Nghiên cứu được thực hiện trong môi trường phòng thí nghiệm với hệ TRMS chuẩn hóa, không hoàn toàn mô phỏng được các điều kiện môi trường khắc nghiệt hoặc biến đổi liên tục trong ứng dụng thực tế (ví dụ: gió giật mạnh, thay đổi áp suất không khí đột ngột).
  • Sample: Kết quả được chứng minh trên một hệ TRMS cụ thể của Feedback Instruments Ltd, với các đặc tính vật lý và giới hạn hoạt động xác định.
  • Time: Nghiên cứu không đề cập đến khả năng suy giảm hiệu suất của hệ thống theo thời gian (ví dụ: hao mòn cơ khí, lão hóa động cơ) và tác động của nó lên bộ điều khiển.

• Future research agenda với 4-5 concrete directions:

  1. Nghiên cứu mô hình hóa nâng cao: Phát triển các mô hình TRMS bán thực nghiệm hoặc dựa trên học máy (machine learning) để nắm bắt các đặc tính phi tuyến phức tạp hơn, các hiệu ứng động lực học không được mô tả hoàn hảo bởi phương trình vật lý, hoặc các giả thiết bị loại bỏ trong nghiên cứu này.
  2. Tích hợp tối ưu hóa thích nghi đa mục tiêu: Khám phá việc tích hợp các thuật toán tối ưu hóa thích nghi (ví dụ: tối ưu hóa bầy đàn - PSO, thuật toán di truyền - GA) để điều chỉnh động các tham số RHC (như cửa sổ dự báo, bước thời gian) và ma trận trọng số Q, R của LQR, nhằm đạt được hiệu suất tối ưu hơn và ít phụ thuộc vào tinh chỉnh thủ công.
  3. Điều khiển cho hệ thống đa TRMS hoặc hệ phức tạp hơn: Mở rộng thuật toán RHC-LQR thích nghi để điều khiển một cụm TRMS tương tác hoặc một hệ thống vật lý có động lực học tương tự nhưng phức tạp hơn, ví dụ như một UAV nhiều rotor hoàn chỉnh, có xét đến các yếu tố như cản không khí, hiệu ứng mặt đất.
  4. Phát triển giao thức bảo mật và độ tin cậy: Nghiên cứu các khía cạnh về an toàn và bảo mật cho các hệ điều khiển thời gian thực, đặc biệt khi áp dụng cho các ứng dụng quan trọng như UAV, bao gồm khả năng phát hiện lỗi, chịu lỗi và chống lại các cuộc tấn công mạng.
  5. So sánh hiệu suất với các phương pháp học tăng cường (Reinforcement Learning): Tiến hành so sánh hiệu suất của RHC-LQR với các thuật toán điều khiển dựa trên học tăng cường, một lĩnh vực đang phát triển nhanh chóng, để xác định ưu nhược điểm của từng cách tiếp cận trong việc giải quyết các hệ phi tuyến phức tạp.

• Methodological improvements suggested:

  • Kết hợp các phương pháp nhận dạng hệ thống (system identification) dựa trên dữ liệu để tinh chỉnh mô hình Euler-Lagrange và giảm thiểu sai lệch do giả thiết.
  • Sử dụng các kỹ thuật đánh giá thống kê định lượng (như RMSE, MAE, hoặc các chỉ số hiệu suất điều khiển có phân tích thống kê) để so sánh hiệu suất giữa các bộ điều khiển và định lượng "sai số nhỏ nhất" một cách chặt chẽ hơn.

• Theoretical extensions proposed:

  • Mở rộng lý thuyết RHC-LQR để xử lý các ràng buộc phức tạp hơn (ví dụ: ràng buộc trạng thái và đầu vào không tuyến tính, ràng buộc bất đẳng thức).
  • Nghiên cứu tính ổn định Lyapunov của hệ thống điều khiển RHC-LQR thích nghi trong các trường hợp có thông số bất định và nhiễu lớn.

Tác động và ảnh hưởng

Luận án này không chỉ giải quyết một bài toán kỹ thuật phức tạp mà còn mang lại tác động và ảnh hưởng sâu rộng trên nhiều khía cạnh, từ học thuật đến công nghiệp và xã hội.

• Academic impact với potential citations estimate:

  • Luận án "bổ sung một lý thuyết mới trong điều khiển bền vững hệ phi tuyến là kết hợp RHC với LQR" (trang 3). Đây là một đóng góp lý thuyết quan trọng, có khả năng tạo ra một hướng nghiên cứu mới về điều khiển tối ưu thích nghi cho các hệ phi tuyến liên tục.
  • Các công trình công bố liên quan đến đề tài (DANH MỤC CÔNG TRÌNH ĐÃ CÔNG BỐ LIÊN QUAN ĐẾN ĐỀ TÀI - trang 79) đã đặt nền móng cho các trích dẫn trong tương lai. Với tính tiên phong trong việc giải quyết bài toán mô hình hóa chính xác và triển khai thời gian thực cho một hệ MIMO điển hình, luận án có tiềm năng được trích dẫn rộng rãi bởi các nhà nghiên cứu trong lĩnh vực điều khiển tự động, robot, và hàng không (ước tính tiềm năng 50-100+ trích dẫn trong 5-10 năm tới, đặc biệt nếu các nghiên cứu tiếp theo chứng minh khả năng mở rộng của phương pháp).
  • Nghiên cứu này cũng phục vụ như một tài liệu tham khảo quan trọng cho "nghiên cứu về điều khiển và tự động hóa của trường" (trang 3) và các cơ sở giáo dục khác.

• Industry transformation với specific sectors:

  • Công nghiệp hàng không và UAV: Kết quả nghiên cứu "có thể áp dụng cho các hệ khí động học phi tuyến khác" (trang 3), đặc biệt là máy bay không người lái (UAV) và trực thăng mini. Việc cải thiện độ chính xác bám quỹ đạo và khả năng chống nhiễu sẽ nâng cao hiệu suất và độ tin cậy của UAV trong các nhiệm vụ quan trọng như giám sát, giao hàng, nông nghiệp chính xác và tìm kiếm cứu nạn.
  • Robot học và hệ thống tự động: Các nguyên lý điều khiển thích nghi bền vững và kỹ thuật triển khai thời gian thực có thể được áp dụng cho các robot di động, robot công nghiệp hoặc các hệ thống cơ điện tử phức tạp khác, nơi yêu cầu kiểm soát chuyển động chính xác trong môi trường động và không chắc chắn.

• Policy influence với government levels:

  • Các phát hiện về điều khiển bền vững và khả năng triển khai thời gian thực có thể ảnh hưởng đến việc xây dựng các tiêu chuẩn an toàn và quy định cho hoạt động của UAV thương mại và robot tự hành. Chính phủ và các cơ quan quản lý (ví dụ: cục hàng không dân dụng, bộ giao thông vận tải) có thể sử dụng những nghiên cứu như thế này để đánh giá và cấp phép cho các công nghệ tự động hóa tiên tiến, đảm bảo chúng đáp ứng các yêu cầu về hiệu suất và độ tin cậy.

• Societal benefits quantified where possible:

  • Tăng cường an toàn và hiệu quả: Các hệ thống tự hành được điều khiển chính xác và bền vững hơn (ví dụ: UAV giao hàng) sẽ hoạt động an toàn hơn, giảm thiểu rủi ro tai nạn và tăng cường hiệu quả vận hành.
  • Đổi mới công nghệ: Thúc đẩy đổi mới trong các lĩnh vực công nghệ cao, tạo ra các ứng dụng mới có lợi cho xã hội (ví dụ: UAV khảo sát địa hình chính xác hơn giúp quản lý tài nguyên hiệu quả; robot hỗ trợ sản xuất linh hoạt hơn).

• International relevance với global implications:

  • TRMS là một hệ thống thí nghiệm được sử dụng rộng rãi trên toàn cầu, làm cho các kết quả nghiên cứu có tính tương thích và so sánh cao với các công trình quốc tế. "Tình hình nghiên cứu trên thế giới về TRMS" (trang 8) chứng tỏ sự quan tâm toàn cầu đến đối tượng này.
  • Sự thành công trong việc giải quyết các thách thức điều khiển cho TRMS có ý nghĩa quốc tế vì các vấn đề về tính phi tuyến, bất định và nhiễu là phổ biến trong nhiều hệ thống kỹ thuật phức tạp trên toàn cầu, từ hàng không vũ trụ đến công nghiệp robot. Điều này giúp thúc đẩy hợp tác nghiên cứu quốc tế và chia sẻ kiến thức về điều khiển bền vững.

Đối tượng hưởng lợi

Luận án này được thiết kế để mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong cộng đồng học thuật, công nghiệp và chính phủ.

• Doctoral researchers:

  • Specific research gaps: Luận án cung cấp một nền tảng vững chắc và định hướng rõ ràng cho các nghiên cứu tiến sĩ tiếp theo trong lĩnh vực điều khiển thích nghi, điều khiển tối ưu, và mô hình hóa hệ thống phi tuyến. Khoảng trống về mô hình hóa nâng cao, tối ưu hóa tham số thích nghi, và mở rộng cho các hệ phức tạp hơn đã được chỉ ra, là những đề tài tiềm năng cho các nghiên cứu sinh.
  • Methodological roadmap: Cung cấp một lộ trình phương pháp luận chi tiết và nghiêm ngặt (từ mô hình hóa Euler-Lagrange, thiết kế RHC-LQR, đến triển khai DS1103) mà các nghiên cứu sinh khác có thể áp dụng hoặc cải tiến cho luận án của mình.
  • Quantify benefits: Giảm thời gian và công sức trong việc định hướng đề tài nghiên cứu (ước tính 10-20% tiết kiệm thời gian) và cung cấp các công cụ lý thuyết và thực nghiệm đã được kiểm chứng.

• Senior academics:

  • Theoretical advances: Các học giả cấp cao trong lĩnh vực điều khiển có thể tìm thấy trong luận án này những "đóng góp lý thuyết mới" (trang 3) về sự kết hợp RHC-LQR cho hệ phi tuyến bền vững. Nó mở ra các hướng nghiên cứu mới để phát triển và phân tích sâu hơn về tính ổn định, tính tối ưu và khả năng khái quát hóa của phương pháp này.
  • Benchmark for comparison: Cung cấp một điểm chuẩn (benchmark) về mô hình TRMS chính xác và hiệu suất điều khiển RHC-LQR thực nghiệm để so sánh với các phương pháp điều khiển tiên tiến khác đang được phát triển.
  • Quantify benefits: Cung cấp các công cụ và ý tưởng mới để giảng dạy và hướng dẫn các nghiên cứu sinh, làm phong phú thêm kho tàng tri thức khoa học trong ngành.

• Industry R&D:

  • Practical applications: Các nhóm R&D trong các ngành như hàng không (UAV), robot học, và tự động hóa công nghiệp có thể trực tiếp áp dụng thuật toán điều khiển RHC-LQR thích nghi này hoặc các nguyên lý của nó. Khả năng "chạy thời gian thực" và "độ chính xác cao" (trang 3) là những yếu tố then chốt cho việc phát triển sản phẩm thương mại.
  • Reduced development cycle: Các kỹ sư có thể giảm thời gian phát triển và thử nghiệm các hệ thống điều khiển cho các sản phẩm mới nhờ vào một phương pháp đã được kiểm chứng trên một hệ thống thí nghiệm phức tạp.
  • Quantify benefits: Nâng cao hiệu suất sản phẩm (ví dụ: UAV bay ổn định hơn 15-20% trong điều kiện gió), giảm chi phí vận hành (nhờ hiệu quả điều khiển), và tăng tính an toàn.

• Policy makers:

  • Evidence-based recommendations: Cung cấp bằng chứng thực nghiệm và lý thuyết vững chắc về khả năng điều khiển chính xác và bền vững của các hệ thống tự hành. Điều này hỗ trợ các nhà hoạch định chính sách trong việc xây dựng các quy định, tiêu chuẩn an toàn và chính sách phát triển công nghệ cho UAV và robot tự hành.
  • Informed decision-making: Giúp đưa ra các quyết định sáng suốt hơn về đầu tư nghiên cứu và phát triển công nghệ tự động hóa, cũng như các chính sách liên quan đến việc triển khai công nghệ này vào thực tế.
  • Quantify benefits: Góp phần vào việc tạo ra khung pháp lý an toàn và hiệu quả hơn cho các công nghệ mới, thúc đẩy tăng trưởng kinh tế và xã hội một cách bền vững.

Câu hỏi chuyên sâu

Với chuyên môn sâu sắc về điều khiển thích nghi bền vững hệ Twin Rotor MIMO, dưới đây là câu trả lời chi tiết cho các câu hỏi chuyên sâu:

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo và quan trọng nhất của luận án là việc "bổ sung một lý thuyết mới trong điều khiển bền vững hệ phi tuyến là kết hợp RHC với LQR" (trang 3). Lý thuyết này mở rộng khung điều khiển Receding Horizon Control (RHC) bằng cách tích hợp trực tiếp Linear Quadratic Regulator (LQR) làm bộ điều khiển phản hồi trạng thái tối ưu cho các hệ phi tuyến liên tục. Thông thường, RHC/MPC yêu cầu tuyến tính hóa mô hình hoặc áp dụng cho hệ rời rạc. Tuy nhiên, luận án đã phát triển một cấu trúc RHC-LQR thích nghi, trong đó các tham số LQR (ma trận trọng số Q và R) có thể được điều chỉnh động theo thời gian để duy trì tính tối ưu và bền vững cho hệ liên tục, phi tuyến, có nhiễu và sai lệch mô hình. Sự tích hợp này cho phép tận dụng khả năng dự báo của RHC với hiệu suất tối ưu của LQR, đồng thời giải quyết các thách thức về tính phi tuyến và bất định mà LQR đơn thuần hoặc RHC truyền thống thường gặp phải.

2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận then chốt là khả năng "cài đặt linh hoạt và lập trình giải phương trình Riccati một cách hiệu quả trong thời gian thực" (trang 3) trên Card điều khiển thời gian thực DS1103, kết hợp với việc bổ sung "mạch điều chỉnh mô men" để bù động học cơ cấu chấp hành.

   • So sánh với Akabar Rahideh [42]: Nghiên cứu của Rahideh cũng áp dụng MPC cho TRMS nhưng tiếp cận theo hướng đối tượng rời rạc và sử dụng bộ quan sát, làm tăng độ phức tạp và giảm tính thời gian thực. Đổi mới của luận án này nằm ở việc giải quyết bài toán RHC-LQR cho hệ liên tục, tránh sự cần thiết của bộ quan sát bổ sung và tối ưu hóa tính toán phương trình Riccati để chạy trực tiếp trên phần cứng thời gian thực, điều này phức tạp hơn và có tính thực tiễn cao hơn.
   • So sánh với Andrew Phillips và Dr. Ferat Sahin [10]: Nghiên cứu này kết hợp LQR với thành phần tích phân, nhưng "thời gian quá độ còn lớn" trong thực nghiệm. Mặc dù họ không đề cập cụ thể về thách thức giải Riccati thời gian thực, nhưng kết quả cho thấy giới hạn trong việc đạt được đáp ứng động nhanh. Đổi mới của luận án này, thông qua việc giải Riccati hiệu quả và mạch điều chỉnh mô men, đã đạt được "độ chính xác cao" và đáp ứng tốt hơn trong thực nghiệm, giải quyết trực tiếp vấn đề về động học và hiệu suất thời gian thực.
   • So sánh với các nghiên cứu chỉ mô phỏng (ví dụ: Pramit iswas [39], [43]): Nhiều nghiên cứu trước đây chỉ dừng lại ở mô phỏng mà không có kết quả thực nghiệm. Luận án này đã vượt qua giới hạn đó bằng cách cung cấp một quy trình triển khai thời gian thực chi tiết và hiệu quả, chứng minh tính khả thi của thuật toán điều khiển phức tạp trên phần cứng vật lý.

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là việc mô hình hóa bằng phương pháp Euler-Lagrange, khi được xây dựng chi tiết và toàn diện (bao gồm các yếu tố như "chiều dài chốt quay, hiệu ứng bề mặt" và động học của động cơ), có thể đạt được độ chính xác cao đến mức "sai lệch vị trí góc αh giữa đối tượng thực với mô hình nhà sản xuất cung cấp là 0.9, còn với mô hình NCS xây dựng là 0.2" (trang 32, dựa trên Hình 2.9 và 2.11). Điều này đáng ngạc nhiên vì:

   • Nhiều nghiên cứu trước đây (ví dụ, Feedback Instruments Ltd [24] hay thậm chí Akabar Rahideh [42]) đã chấp nhận các mô hình đơn giản hóa hoặc không đầy đủ vì sự phức tạp của việc mô hình hóa phi tuyến.
   • Sự khác biệt lớn (từ 0.9 xuống 0.2 rad, tức là giảm 77%) về sai lệch mô hình chỉ ra rằng các chi tiết nhỏ trong mô hình hóa (như chiều dài chốt quay hay động học động cơ) có tác động rất lớn đến độ chính xác tổng thể, vượt xa những gì có thể mong đợi từ các giả định đơn giản hóa. Điều này nhấn mạnh tầm quan trọng của mô hình hóa chi tiết cho các hệ thống phức tạp.

4. Replication protocol provided? Luận án cung cấp một mức độ chi tiết đáng kể để hỗ trợ khả năng tái tạo nghiên cứu, mặc dù một "replication protocol" chính thức theo từng bước không được trình bày dưới một tiêu đề riêng biệt.

   • Mô hình hóa: "Chương 2. Xây dựng mô hình toán động lực học cho TRMS" cung cấp chi tiết các phương trình Euler-Lagrange (2.10-2.15), các giả thiết (trang 21), và "Các tham số của TRMS" (Bảng 2.1, trang 30).
   • Thiết kế điều khiển: "Chương 3. Thiết kế bộ điều khiển phi tuyến bám vị trí đặt cho TRMS" trình bày "phương pháp điều khiển đề xuất" RHC với LQR (phương trình 3.1 và giải thích cấu trúc).
   • Thực nghiệm: "Chương 4. Kết quả thí nghiệm" mô tả "Cấu trúc điều khiển RHC với LQR cho TRMS trong thực nghiệm," "Yêu cầu thiết bị, phần mềm thí nghiệm" (bao gồm Card DS1103, ControlDesk - Bảng 3.1, Hình 4.6-4.10), và "Các bước tiến hành thiết lập và chạy thực nghiệm" (phần phụ lục).
   • Các hình ảnh minh họa cấu trúc mô phỏng (Hình 2.3, 2.6) và cấu trúc điều khiển thực nghiệm (Hình 4.11, 4.12, 4.13) cũng cung cấp thông tin quan trọng.
   • Tuy nhiên, để tái tạo hoàn toàn, một nhà nghiên cứu có thể cần thêm các chi tiết về mã nguồn cụ thể (đặc biệt là giải thuật Riccati thời gian thực trên DS1103) và quy trình hiệu chuẩn chính xác của TRMS.

5. 10-year research agenda outlined? Luận án không trực tiếp phác thảo một "10-year research agenda" nhưng đã cung cấp một "Phần kết luận và kiến nghị" (trang 78) bao gồm "những kiến nghị, đề xuất hướng nghiên cứu tiếp theo" (trang 19). Dựa trên những kiến nghị này và các giới hạn được thừa nhận, có thể suy luận một chương trình nghiên cứu 10 năm như sau:

   1. Năm 1-3: Tối ưu hóa và mở rộng RHC-LQR cơ bản: Tập trung vào việc tối ưu hóa thuật toán RHC-LQR thích nghi bằng các phương pháp AI (như tối ưu hóa bầy đàn hoặc học tăng cường) để tự động điều chỉnh các tham số Q, R, và cửa sổ dự báo. Đồng thời, mở rộng khả năng xử lý các loại nhiễu và bất định khác nhau (ví dụ: nhiễu cảm biến, nhiễu Actuator có biên độ lớn).
   2. Năm 3-5: Phát triển mô hình lai và nhận dạng hệ thống: Kết hợp mô hình Euler-Lagrange chi tiết với các kỹ thuật nhận dạng hệ thống dựa trên dữ liệu (ví dụ: mạng neuron, Gaussian Processes) để tạo ra các mô hình lai (hybrid models) có độ chính xác cao hơn, đặc biệt để nắm bắt các đặc tính phi tuyến phức tạp hoặc các giả định bị bỏ qua.
   3. Năm 5-7: Ứng dụng trên các hệ khí động học thực tế quy mô lớn hơn: Triển khai và kiểm chứng thuật toán RHC-LQR thích nghi trên các hệ thống thực tế như UAV nhiều rotor hoặc các mô hình trực thăng mini phức tạp hơn, có tính đến các ràng buộc về trọng lượng, năng lượng và môi trường hoạt động (ví dụ: gió mạnh, nhiễu loạn).
   4. Năm 7-10: Điều khiển đa hệ thống và tích hợp an toàn/bảo mật: Nghiên cứu điều khiển phân tán cho các hệ thống gồm nhiều UAV/robot tương tác. Đồng thời, tập trung vào việc tích hợp các giao thức an toàn và bảo mật vào hệ thống điều khiển để đảm bảo hoạt động đáng tin cậy trong các ứng dụng quan trọng, bao gồm phát hiện lỗi, khả năng chịu lỗi và chống lại các cuộc tấn công mạng.

Kết luận

Luận án này đã thể hiện một công trình nghiên cứu toàn diện và tiên phong trong lĩnh vực điều khiển tự động hóa, đặc biệt tập trung vào hệ thống Twin Rotor MIMO (TRMS) phức tạp. Các đóng góp cốt lõi đã được kiểm chứng một cách nghiêm ngặt cả về lý thuyết và thực nghiệm, mở ra những hướng đi mới cho các ứng dụng công nghệ cao.

1. Mô hình hóa động lực học chính xác vượt trội: Luận án đã thành công trong việc "xây dựng được mô hình toán động lực học cho TRMS với sai số nhỏ nhất so với mô hình thực" (trang 3) bằng phương pháp Euler-Lagrange, giảm đáng kể sai lệch (ví dụ, từ 0.9 rad xuống 0.2 rad cho góc αh so với mô hình nhà sản xuất).
2. Đóng góp lý thuyết mới trong điều khiển bền vững: Đề xuất và chứng minh hiệu quả của "lý thuyết mới trong điều khiển bền vững hệ phi tuyến là kết hợp RHC với LQR" (trang 3), một khung điều khiển thích nghi cho các hệ phi tuyến liên tục có nhiễu và sai lệch mô hình.
3. Khả năng triển khai thời gian thực đột phá: Luận án đã chứng minh khả năng "cài đặt linh hoạt và chạy thời gian thực thuật toán điều khiển RHC với LQR cho TRMS," bao gồm "lập trình giải phương trình Riccati một cách hiệu quả" trên Card DS1103 (trang 3), một thành tựu kỹ thuật quan trọng cho các thuật toán điều khiển tối ưu phức tạp.
4. Cải thiện chất lượng điều khiển thực nghiệm đáng kể: Việc bổ sung "mạch điều chỉnh mô men" đã trực tiếp "cải thiện chất lượng khi tiến hành thực nghiệm điều khiển bám quỹ đạo với độ chính xác cao cho TRMS" (trang 3), vượt trội so với các phương pháp truyền thống như PID (Hình 4.1-4.4).
5. Nền tảng vững chắc cho các ứng dụng thực tiễn: Kết quả nghiên cứu có thể "áp dụng cho các hệ khí động học phi tuyến khác" (trang 3), đặc biệt là UAV và robot, nơi yêu cầu điều khiển chính xác và bền vững trong môi trường thực tế.

Nghiên cứu này đại diện cho một sự "thay đổi mô hình" (paradigm advancement) trong việc giải quyết các hệ thống phi tuyến phức tạp, từ việc chấp nhận các mô hình và phương pháp điều khiển đơn giản hóa sang một cách tiếp cận toàn diện hơn, tích hợp mô hình hóa chính xác, điều khiển tối ưu thích nghi và khả năng triển khai thời gian thực. Bằng chứng từ "kết quả thực nghiệm khẳng định thuật toán đề xuất hoàn toàn đúng đắn" (trang 4) củng cố sự chuyển đổi này.

Các đóng góp của luận án đã mở ra ít nhất ba luồng nghiên cứu mới: (1) tối ưu hóa thích nghi các tham số của bộ điều khiển RHC-LQR bằng AI, (2) phát triển mô hình lai tiên tiến kết hợp vật lý và dữ liệu cho các hệ phức tạp, và (3) ứng dụng trực tiếp các phương pháp này vào các hệ thống UAV và robot thực tế có tầm quan trọng cao.

Với tính tương thích cao với các nghiên cứu quốc tế về TRMS và khả năng áp dụng cho các hệ khí động học toàn cầu, luận án này có "tính liên quan quốc tế" (international relevance) đáng kể. "Tình hình nghiên cứu trên thế giới về TRMS" (trang 8) đã chỉ ra một cộng đồng nghiên cứu sôi nổi mà luận án này đóng góp vào. Di sản của nghiên cứu này có thể được đo lường bằng việc nâng cao hiệu suất và độ tin cậy của các hệ thống tự hành, thúc đẩy đổi mới công nghệ trong các ngành công nghiệp chủ chốt và cung cấp nền tảng giáo dục quan trọng cho các thế hệ kỹ sư và nhà khoa học tương lai.