Nâng cao chất lượng điều khiển dựa trên mô hình bằng phương pháp học lặp

Tổng quan về luận án

Luận án này tiên phong trong việc nâng cao chất lượng điều khiển cho các hệ thống công nghiệp phức tạp, đặc biệt là các quá trình phi tuyến và không ổn định, thông qua việc phát triển và ứng dụng các phương pháp Điều khiển Học lặp (Iterative Learning Control - ILC) tiên tiến. Trong bối cảnh công nghiệp hiện đại, khi các hệ điều khiển truyền thống dựa trên mô hình đối mặt với thách thức về độ chính xác giảm sút do lão hóa thiết bị hoặc các tác động không thể mô tả, ILC nổi lên như một giải pháp thông minh không cần chỉnh định lại bộ điều khiển truyền thống. Tuy nhiên, ILC truyền thống vẫn còn những hạn chế đáng kể, đặc biệt là khả năng áp dụng cho các hệ không ổn định hoặc yêu cầu mô hình toán để xác định tham số hàm học.

Research gap SPECIFIC với citations từ literature: Nghiên cứu hiện tại về ILC chủ yếu tập trung vào việc xác định điều kiện hội tụ cho hàm học dựa trên mô hình toán trong miền thời gian, cụ thể là các mô hình không gian trạng thái [1], [6-8]. Tuy nhiên, các điều kiện này thường chỉ là điều kiện đủ và có thể không tồn tại tham số hội tụ khi ma trận đầu ra-đầu vào của hệ thống bị suy biến, chẳng hạn như trường hợp CB = 0 trong các mô hình trạng thái rời rạc [7-15]. Luận án nhận diện một khoảng trống nghiên cứu quan trọng: "Từ trước đến nay việc xác định tham số hàm học đều dựa trên mô hình trạng thái suy luận xấp xỉ về quá trình, chưa có phương pháp nào được xây dựng dựa trên hàm truyền" (trang 15). Điều này tạo ra một nhu cầu cấp thiết về các phương pháp xác định tham số hàm học trực tiếp từ mô hình miền phức (hàm truyền) hoặc các giải pháp hoàn toàn không dựa trên mô hình, đặc biệt cho các hệ phi tuyến. Hơn nữa, ILC truyền thống không thể áp dụng trực tiếp cho các hệ không ổn định BIBO, ISS, hay UB/UUB, đòi hỏi phải tiền ổn định hóa bằng các bộ điều khiển truyền thống dựa trên mô hình, làm mất đi tính "thông minh" thực sự của ILC [10].

Research questions và hypotheses (đánh số cụ thể): Luận án giải quyết các câu hỏi nghiên cứu then chốt:

1. Làm thế nào để xác định trực tiếp các tham số hội tụ cho hàm học tuyến tính của ILC từ các mô hình trong miền phức (hàm truyền/ma trận hàm truyền) của đối tượng điều khiển, đặc biệt khi các phương pháp dựa trên không gian trạng thái gặp hạn chế?
2. Có thể phát triển một phương pháp xác định online tham số hàm học cho ILC mà không cần sử dụng mô hình toán của đối tượng, và áp dụng được cho các quá trình phi tuyến, nhằm tối ưu hóa tốc độ hội tụ và giảm thiểu sai lệch bám?
3. Làm thế nào để áp dụng trực tiếp ILC cho các hệ thống (tuyến tính hoặc phi tuyến) không ổn định mà không cần tới việc ổn định hóa trước bằng các phương pháp điều khiển truyền thống dựa trên mô hình?

Các giả thuyết chính của luận án bao gồm: H1: Có thể thiết lập một tập hợp các điều kiện hội tụ cần và đủ cho tham số hàm học tuyến tính (kiểu P, D, PD, PID) trực tiếp từ các tham số của hàm truyền hoặc ma trận hàm truyền, ngay cả trong các trường hợp mà điều kiện không gian trạng thái CˆBˆ = 0 không cho phép xác định tham số. H2: Một thuật toán xác định tham số hàm học online dựa trên tiêu chuẩn tối ưu hóa tổng bình phương sai lệch bám, không phụ thuộc vào mô hình toán, có thể được xây dựng và sẽ cải thiện đáng kể tốc độ hội tụ và chất lượng bám cho các quá trình phi tuyến. H3: Một phương pháp tuyến tính hóa phản hồi không dựa trên mô hình, kết hợp ước lượng đạo hàm trạng thái thông minh, có thể được sử dụng để ổn định hóa và tuyến tính hóa sơ bộ các hệ phi tuyến không ổn định, cho phép áp dụng trực tiếp ILC mà không cần bộ điều khiển truyền thống.

Theoretical framework với tên theories cụ thể: Luận án xây dựng khung lý thuyết dựa trên các nguyên tắc cơ bản của Lý thuyết Điều khiển Học lặp (Iterative Learning Control Theory) như được mô tả bởi Arimoto (1984) [7] và Furuta (1987) [8], kết hợp với Lý thuyết Hệ thống Tuyến tính (Linear System Theory) cho phân tích miền phức và Lý thuyết Điều khiển Phi tuyến (Nonlinear Control Theory), đặc biệt là các khái niệm về Tuyến tính hóa Phản hồi (Feedback Linearization). Việc phân tích tính hội tụ của quá trình học được thực hiện bằng cách mở rộng Lý thuyết Hệ thống Hai chiều (Two-Dimensional System Theory) (theo biến chu kỳ k và biến thời gian i trong một chu kỳ) như đề cập trong [37-39]. Đối với việc xác định tham số online, luận án tích hợp các phương pháp Tối ưu hóa (Optimization Theory), sử dụng các thuật toán như SQP, interior point, active set, hoặc các phương pháp thông minh như Giải thuật Di truyền (Genetic Algorithms - GA) và Tối ưu Bầy đàn (Particle Swarm Optimization - PSO) [2].

Đóng góp đột phá với quantified impact: Luận án mang lại ba đóng góp đột phá chính:

1. Phát triển điều kiện xác định tham số ILC trực tiếp trong miền phức: Luận án đề xuất một phương pháp mới (Equation 2.5) cho phép xác định trực tiếp tham số hàm học kiểu P từ hàm truyền G(s) của hệ SISO, và mở rộng cho ma trận hàm truyền của hệ MIMO (Equation 2.11). Đây là một tiến bộ đáng kể, khắc phục được hạn chế của các điều kiện trạng thái không gian cũ (như Equation 1.20) khi CˆBˆ = 0, mà theo mô phỏng cho thấy hệ thống G(s) = (1+s)/(6+5s+s^2) với CB=0 vẫn hội tụ thành công sau 2-5 lần thử (Hình 2.2, 2.3).
2. Thiết kế phương pháp xác định tham số hàm học online và "thông minh" không dựa vào mô hình: Luận án giới thiệu một thuật toán online (Equation 2.26, 2.27) cho phép điều chỉnh tham số Kk thích nghi mà không cần mô hình toán của đối tượng. Giải pháp này sử dụng thông tin sai lệch bám từ các chu kỳ trước (εk, εk-1) và một hệ số αk được điều chỉnh "thông minh" dựa trên tương quan giữa thay đổi đầu vào và sai lệch. Mô phỏng trên một hệ LTI bậc 2 cho thấy sai lệch bám xấp xỉ 0 chỉ sau 4 lần học (Hình 2.5), tăng tốc độ hội tụ so với các phương pháp cố định.
3. Đề xuất giải pháp tuyến tính hóa phản hồi không mô hình cho hệ phi tuyến không ổn định: Luận án tiên phong trong việc sử dụng ước lượng đạo hàm của vector hàm số từ dữ liệu đo được (dựa trên phân tích Taylor) để thực hiện tuyến tính hóa phản hồi và ổn định hóa hệ phi tuyến mà không cần mô hình toán (Chương 2.4). Điều này cho phép áp dụng ILC trực tiếp cho các hệ thống như robot công nghiệp hoặc CSTR mà trước đây cần ổn định hóa truyền thống, mở rộng đáng kể phạm vi ứng dụng của ILC. Mô phỏng minh họa (Hình 2.11) xác nhận khả năng tuyến tính hóa hiệu quả mà không dùng mô hình.

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu của luận án tập trung vào các quá trình công nghiệp có tính phi tuyến, sử dụng các hàm học tuyến tính trong ILC. Luận án đã kiểm chứng các kết quả lý thuyết trên hai đối tượng điển hình trong công nghiệp: robot công nghiệp (với mô hình Euler-Lagrange, đáp ứng nhanh) và hệ phản ứng hóa học khuấy trộn liên tục (CSTR) (đáp ứng chậm và không đảo ngược được). Các mô phỏng được thực hiện trên các chu kỳ làm việc tuần hoàn, với chu kỳ T = 100s và chu kỳ cập nhật tín hiệu Ts = 0.1s, bao gồm nhiều lần thử (từ 2 đến 200 lần thử tùy thuộc vào bài toán cụ thể). Sự lựa chọn hai đối tượng với đặc tính động học khác nhau củng cố tính tổng quát và khả năng ứng dụng rộng rãi của các phương pháp đề xuất. Luận án này có ý nghĩa sâu sắc trong việc thu hẹp khoảng cách giữa lý thuyết ILC và ứng dụng thực tế, đặc biệt là trong các ngành công nghiệp đòi hỏi độ chính xác cao và khả năng thích nghi với sự thay đổi của hệ thống mà không cần đến thông tin mô hình chi tiết.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Lĩnh vực Điều khiển Học lặp (ILC) khởi nguồn từ ý tưởng của Uchiyama (1978) [6] và được phổ biến rộng rãi trong cộng đồng khoa học quốc tế qua các công bố của Arimoto (1984) [7] và Furuta (1987) [8]. Từ đó đến nay, ILC đã phát triển thành một trường phái mạnh mẽ trong điều khiển thông minh, với hơn 4000 bài báo được công bố tính đến năm 2016 [11], [15]. Các luồng nghiên cứu chính bao gồm:

1. Phát triển Luật Chỉnh định và Hàm Học: Các nghiên cứu ban đầu tập trung vào việc xây dựng các công thức chỉnh định (như Equation 1.3, 1.4) và các dạng hàm Q-learning (fQ) và hàm học (fL). Hàm Q-learning đồng nhất fQ[u_j(i_1)] = u_{k-1}(i) (Equation 1.6) và hàm học tuyến tính kiểu P, D, PD, PID (Equation 1.12-1.15) được thống kê là phổ biến và hiệu quả [5]-[15].
2. Phân tích Tính Hội tụ và Ổn định: Một luồng lớn khác tập trung vào việc xác định điều kiện đủ cho tính hội tụ của ILC, chủ yếu dựa trên mô hình toán của hệ thống trong không gian trạng thái. Ví dụ, điều kiện ||Ie - fp fL|| < 1 (Equation 1.9) hoặc ||I - CBK|| < 1 (Equation 1.17) là những tiêu chuẩn phổ biến, yêu cầu biết mô hình fp hoặc các ma trận C, B [1], [6-8], [13].
3. Ứng dụng ILC: ILC đã được ứng dụng rộng rãi trong nhiều lĩnh vực công nghiệp như robotics, máy CNC, chế biến hóa chất, xử lý nước, động cơ không đồng bộ [9], [10]. Các công trình của Arimoto, Kawamura, Miyazaki [7], [21-25] tại Nhật Bản; nhóm nghiên cứu ở Ý [26-29], Hà Lan [18], [19]; Hàn Quốc-Mỹ [9], [11], [16]; và Trung Quốc [12], [14], [17] đã đóng góp đáng kể vào việc mở rộng ứng dụng thực tế của ILC.
4. Kết hợp ILC với Điều khiển Truyền thống: Để khắc phục hạn chế của ILC đối với các hệ không ổn định BIBO, xu hướng "điều khiển học lặp truyền thẳng" (direct ILC) hoặc "điều khiển học lặp gián tiếp" (indirect ILC) đã phát triển, trong đó ILC được kết hợp với một bộ điều khiển truyền thống để ổn định hóa hệ thống trước [1], [10], [12], [14], [16-20].

Contradictions/debates với ít nhất 2 opposing views: Một trong những tranh luận chính trong ILC là liệu hàm học phi tuyến có tốt hơn hàm học tuyến tính hay không. Mặc dù nhiều nghiên cứu đã khảo sát cấu trúc phi tuyến của fL, "song cũng không có một khẳng định nào chỉ được rõ ràng rằng fL phi tuyến sẽ tốt hơn tuyến tính" (trang 13), thậm chí "cũng không có được một khẳng định nào...chỉ được rõ ràng rằng hàm học fL phi tuyến sẽ tốt hơn tuyến tính" (trang 13). Điều này cho thấy rằng sự phức tạp tăng thêm của hàm phi tuyến có thể không tương xứng với lợi ích về chất lượng hội tụ, củng cố quan điểm tập trung vào việc xác định tham số tối ưu cho hàm học tuyến tính.

Một tranh luận khác là liệu ILC có phải là một dạng điều khiển thích nghi hay không. Theo [10], ILC không hoàn toàn mang tính thích nghi, bởi vì điều khiển thích nghi hiệu chỉnh lại bộ điều khiển (là một hệ động học), trong khi ILC hiệu chỉnh lại tín hiệu điều khiển. Tương tự, ILC cũng khác với điều khiển thông minh bằng mạng neural ở chỗ nó không hiệu chỉnh lại tham số bộ điều khiển mà chỉ chỉnh sửa lại tín hiệu điều khiển. Điều này định vị ILC là một phương pháp "học hỏi" trên cơ sở dữ liệu quá khứ để tinh chỉnh đầu vào, thay vì điều chỉnh cấu trúc bộ điều khiển.

Positioning trong literature với specific gap identified: Luận án này định vị mình bằng cách trực tiếp giải quyết ba khoảng trống chính trong literature:

1. Thiếu phương pháp xác định tham số ILC trực tiếp từ hàm truyền/ma trận hàm truyền: Hầu hết các điều kiện hội tụ ILC đều dựa trên mô hình không gian trạng thái [1], [68]. Luận án nhấn mạnh rằng "chưa có phương pháp nào được xây dựng dựa trên hàm truyền" (trang 15), đặc biệt khi các điều kiện trạng thái không gian cũ thất bại (ví dụ: CˆBˆ = 0 hoặc CB = 0). Nghiên cứu này lấp đầy khoảng trống này bằng cách cung cấp các điều kiện xác định tham số trực tiếp trong miền phức (Chương 2.1).
2. Hạn chế của các phương pháp xác định tham số ILC phụ thuộc mô hình và chỉ cho hệ tuyến tính: Luận án chỉ ra rằng các phương pháp hiện có "vẫn cần sử dụng tới mô hình toán của đối tượng điều khiển" và "chỉ áp dụng được cho các hệ tuyến tính" (trang 32). Để khắc phục, luận án đề xuất một phương pháp xác định tham số online hoàn toàn không dựa trên mô hình và có thể áp dụng cho hệ phi tuyến (Chương 2.3).
3. Yêu cầu tiền ổn định hóa cho ILC khi áp dụng cho hệ không ổn định: Luận án thừa nhận rằng ILC không áp dụng trực tiếp cho hệ không ổn định [10]. Các giải pháp hiện tại là "điều khiển học lặp truyền thẳng" hoặc "tiền xử lý" [1, 16-20] đều yêu cầu mô hình. Luận án giải quyết vấn đề này bằng cách phát triển một giải pháp "ổn định hóa BIBO hoặc ISS hoặc UB/UUB một cách thông minh cho hệ, tức là không sử dụng mô hình toán của hệ" (trang 12), cho phép ILC gián tiếp không cần mô hình.

How this advances field với concrete contributions: Nghiên cứu này thúc đẩy lĩnh vực ILC bằng cách:

• Mở rộng khả năng xác định tham số hàm học cho các hệ thống phức tạp hơn, bao gồm cả những hệ có mô hình trạng thái suy biến (CB = 0), thông qua một cách tiếp cận mới trong miền phức.
• Nâng cao tính tự chủ và "thông minh" của ILC bằng cách loại bỏ sự phụ thuộc vào mô hình toán cho việc chỉnh định tham số, khiến ILC trở nên linh hoạt và mạnh mẽ hơn đối với các quá trình phi tuyến trong thực tế công nghiệp.
• Mở rộng phạm vi ứng dụng của ILC tới một lớp đối tượng rộng hơn, bao gồm các hệ thống vốn không ổn định mà không cần sự can thiệp của các phương pháp điều khiển truyền thống dựa trên mô hình, giúp giảm chi phí và thời gian bảo trì.

So sánh với ÍT NHẤT 2 international studies:

1. So sánh với Arimoto (1984) [7] và Sugie & Ono (1991) [13]: Các công trình tiên phong này đã thiết lập các điều kiện hội tụ ban đầu cho ILC, chủ yếu dựa trên mô hình trạng thái rời rạc và điều kiện ||I - CBK|| < 1 (Equation 1.17, 2.15). Luận án này so sánh và chỉ ra rằng các điều kiện này yêu cầu CB ≠ 0 và thường chỉ là điều kiện đủ. Đóng góp của luận án (Equation 2.5, 2.23) vượt trội hơn khi cung cấp các điều kiện trực tiếp trong miền phức áp dụng được cho trường hợp CˆBˆ = 0 hoặc CB = 0 (thể hiện qua mô phỏng với G(s) = (1+s)/(6+5s+s^2)), và mở rộng thành tiêu chuẩn online cần và đủ cho CB ≠ 0.
2. So sánh với Chen & Wen (1999) [12] và Sastry & Bodson (1989) [1]: Các nghiên cứu này đã phát triển các phương pháp ILC cho các hệ phi tuyến, thường thông qua việc kết hợp với điều khiển truyền thống để ổn định hóa hệ thống (điều khiển học lặp truyền thẳng hoặc gián tiếp). Tuy nhiên, các phương pháp này vẫn cần mô hình toán của hệ cho việc ổn định hóa. Luận án này vượt xa bằng cách đề xuất một phương pháp tuyến tính hóa phản hồi và ổn định hóa hoàn toàn "model-free" (Chương 2.4) dựa trên ước lượng đạo hàm từ dữ liệu. Điều này cho phép áp dụng ILC trực tiếp mà không cần sự can thiệp của mô hình, khác biệt rõ rệt so với cách tiếp cận của Chen & Wen hay Sastry & Bodson.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Extend/challenge WHICH specific theories (name theorists): Luận án mở rộng đáng kể Lý thuyết Điều khiển Học lặp (Iterative Learning Control, ILC) vốn được Arimoto (1984) [7] và Furuta (1987) [8] đặt nền móng. Cụ thể, nó thách thức giới hạn của các điều kiện hội tụ ILC truyền thống như của Sugie & Ono (1991) [13] hay Arimoto (1984) [7] vốn phụ thuộc vào mô hình trạng thái và điều kiện CB ≠ 0. Luận án chứng minh rằng ngay cả khi CB = 0, ILC vẫn có thể hội tụ thông qua các điều kiện được xây dựng trong miền phức (Equation 2.5) hoặc bằng cách tiếp cận online tối ưu hóa (Equation 2.23). Hơn nữa, luận án mở rộng khả năng áp dụng ILC tới một lớp rộng hơn các hệ thống phi tuyến và không ổn định bằng cách tích hợp các khái niệm từ Lý thuyết Điều khiển Phi tuyến (ví dụ, tuyến tính hóa phản hồi) nhưng với một phương pháp hoàn toàn không dựa trên mô hình.

Conceptual framework với components và relationships: Khung lý thuyết của luận án xoay quanh ba trụ cột chính:

1. ILC Miền Phức: Phát triển các điều kiện hội tụ cho tham số hàm học (K, K1, K2, K3) trực tiếp từ hàm truyền G(s) (SISO) hoặc ma trận hàm truyền G(s) (MIMO) (Chương 2.1).
   • Components: Hàm truyền/Ma trận hàm truyền G(s), các tham số hàm học (K, K1, K2, K3), điều kiện hội tụ (Equation 2.5).
   • Relationships: Xác định mối quan hệ trực tiếp giữa các hệ số a_i, b_j của hàm truyền và các tham số hàm học để đảm bảo |1 - G(s)K| < 1.
2. ILC Online Tối ưu Không Mô hình: Xây dựng thuật toán xác định tham số hàm học online (Kk) bằng cách cực tiểu hóa tổng bình phương sai lệch bám (min ||(I - ΦK)εk||) (Chương 2.2, 2.3).
   • Components: Vector sai lệch bám quá khứ (εk, εk-1), ma trận Φ (chứa thông tin động học hệ thống), tham số Kk, hệ số thích nghi αk (Equation 2.27).
   • Relationships: Kk được tính toán để tối ưu hóa hiệu suất tại mỗi chu kỳ, với αk điều chỉnh dựa trên tương quan giữa thay đổi đầu vào và sai lệch để tăng tốc hội tụ và xử lý đáp ứng ngược.
3. Tuyến tính hóa Phản hồi Thông minh Không Mô hình: Thiết kế một cấu trúc điều khiển hai mạch vòng, trong đó vòng trong thực hiện tuyến tính hóa và ổn định hóa hệ phi tuyến mà không cần mô hình (Chương 2.4).
   • Components: Bộ ước lượng đạo hàm trạng thái (dựa trên Taylor Series), bộ điều khiển phản hồi tuyến tính hóa, bộ điều khiển ILC vòng ngoài.
   • Relationships: Vòng trong chuyển đổi hệ phi tuyến thành hệ tuyến tính ổn định, cho phép ILC vòng ngoài hoạt động hiệu quả để bám tín hiệu đặt.

Theoretical model với propositions/hypotheses numbered: Luận án đề xuất một mô hình lý thuyết toàn diện, tích hợp ILC với các giải pháp thông minh không mô hình.

• Proposition 1 (Miền Phức): Cho một hệ SISO tuyến tính liên tục với hàm truyền G(s) = B(s)/A(s) (Equation 2.3), điều kiện đủ để hàm học kiểu P u_{k+1}(i) = u_k(i) + K e_k(i) hội tụ là các tham số a_i, b_j của hàm truyền phải thỏa mãn ||(a0 - Kb0, ..., an-1 - Kbn-1, 1 - Kbn)|| < ||(a0, ..., an-1, 1)|| (Equation 2.5).
• Proposition 2 (Online Tối ưu): Cho một hệ rời rạc tuyến tính (Equation 2.14) với CB ≠ 0, điều kiện cần và đủ để quá trình học và chỉnh định hội tụ (εk → 0) là ma trận (I - CBK) là ma trận Schur (Equation 2.15). Dựa trên điều này, tham số Kk có thể được xác định online bằng cách cực tiểu hóa ||(I - ΦK)εk|| (Equation 2.23).
• Proposition 3 (Không Mô hình Thông minh): Tham số hàm học online Kk có thể được xác định không cần mô hình bằng cách sử dụng Kk = αk * argmin 0≤z≤1 ||zεk + (1-z)εk-1|| (Equation 2.26), với αk được tính toán thông minh (αk = sgn((uk - uk-1)^T (εk-1 - εk)), Equation 2.27) để tối ưu tốc độ hội tụ và xử lý đáp ứng ngược.
• Proposition 4 (Ổn định hóa không Mô hình): Một hệ phi tuyến không ổn định có thể được tuyến tính hóa phản hồi và ổn định hóa mà không cần mô hình toán bằng cách ước lượng đạo hàm của vector hàm số từ dữ liệu đo được thông qua phân tích Taylor (Chương 2.4.1), cho phép ILC trực tiếp áp dụng.

Paradigm shift với EVIDENCE từ findings: Luận án tạo ra một sự dịch chuyển trong paradigm ILC từ "model-dependent tuning" sang "model-free intelligent tuning and stabilization". Trước đây, ngay cả khi ILC được quảng cáo là "model-free control approach" (trang 8) trong quá trình thiết kế bộ điều khiển, nhưng để phân tích tính hội tụ hoặc chọn tham số, "người ta vẫn phải sử dụng tới mô hình toán" (trang 8). Nghiên cứu này phá vỡ sự phụ thuộc này bằng cách cung cấp các giải pháp ILC hoàn toàn không dựa trên mô hình cho việc xác định tham số và ổn định hóa. Bằng chứng được thể hiện rõ qua các kết quả mô phỏng thành công trên các hệ thống mà điều kiện CB = 0 làm thất bại các phương pháp cũ (Hình 2.2, 2.3), và khả năng điều khiển bám hiệu quả trên robot và CSTR mà không cần mô hình tường minh (Chương 3, 4). Đây là một bước tiến quan trọng hướng tới ILC thực sự thông minh và tự trị.

Khung phân tích độc đáo

Integration của theories (name 3+ specific theories): Khung phân tích của luận án tích hợp một cách độc đáo các yếu tố từ Lý thuyết Điều khiển Học lặp, Lý thuyết Hệ thống Tuyến tính trong Miền Phức, và Kỹ thuật Tối ưu hóa Hiện đại. Thay vì chỉ dựa vào một lý thuyết đơn lẻ, luận án tổng hợp các công cụ này để giải quyết các vấn đề phức tạp. Ví dụ, việc xác định tham số ILC không chỉ dựa vào các điều kiện đủ trong miền thời gian mà còn bổ sung phân tích trực tiếp trên hàm truyền trong miền phức. Việc tối ưu hóa tham số online không chỉ là một thuật toán heuristic mà còn được đặt trong khuôn khổ của bài toán cực tiểu hóa tổng bình phương sai lệch bám (Equation 2.23), tận dụng các thuật toán tối ưu tiên tiến như SQP hoặc PSO.

Novel analytical approach với justification: Phương pháp phân tích độc đáo của luận án nằm ở cách tiếp cận "hybrid" giữa phân tích lý thuyết chặt chẽ và các giải pháp "thông minh" dựa trên dữ liệu.

1. Phân tích hội tụ trong miền phức trực tiếp: Thay vì suy luận từ mô hình trạng thái sang hàm truyền và sau đó áp dụng các điều kiện, luận án trực tiếp phân tích điều kiện hội tụ |1 - G(s)K| < 1 (Equation 2.5) trên hàm truyền G(s). Cách tiếp cận này hợp lý hóa việc xác định tham số khi mô hình không gian trạng thái không thuận tiện hoặc dẫn đến điều kiện suy biến.
2. Tối ưu hóa online dựa trên sai lệch quá khứ: Luận án sử dụng một phương pháp heuristic "thông minh" (Equation 2.26) để điều chỉnh tham số học Kk dựa trên các vector sai lệch bám εk và εk-1. Tính hợp lý được chứng minh bằng việc đảm bảo εk+1 không tệ hơn các chu kỳ trước, và việc sử dụng hệ số αk (Equation 2.27) giúp tối ưu tốc độ hội tụ và xử lý các đặc tính hệ thống phức tạp như đáp ứng ngược.
3. Ổn định hóa dựa trên ước lượng dữ liệu: Phương pháp tuyến tính hóa phản hồi không mô hình dựa trên ước lượng đạo hàm bằng phân tích Taylor từ dữ liệu đo được (Chương 2.4.1) là một cách tiếp cận mới, tránh được sự phức tạp và hạn chế của việc xây dựng mô hình toán chính xác cho các hệ phi tuyến, đồng thời mở đường cho ILC trực tiếp.

Conceptual contributions với definitions:

• Điều kiện hội tụ hàm truyền trực tiếp: Định nghĩa một tập hợp các điều kiện ràng buộc trên các hệ số của hàm truyền (a_i, b_j) để đảm bảo tính hội tụ của ILC với hàm học tuyến tính (Equation 2.5).
• Hàm học online "thông minh" (Kk): Một tham số hàm học được xác định động tại mỗi chu kỳ k thông qua một bài toán tối ưu hóa dựa trên dữ liệu sai lệch bám của các chu kỳ trước, không cần mô hình toán của đối tượng. Hệ số αk (Equation 2.27) là một đóng góp khái niệm cụ thể cho tính "thông minh" này.
• Tuyến tính hóa phản hồi không mô hình: Định nghĩa một phương pháp chuyển đổi một hệ phi tuyến thành một hệ tuyến tính (hoặc gần tuyến tính) ổn định thông qua phản hồi trạng thái mà không cần biết mô hình toán tường minh của hệ, dựa trên ước lượng đạo hàm từ dữ liệu đo được.

Boundary conditions explicitly stated:

• Các điều kiện hội tụ trong miền phức (Chương 2.1) được xây dựng cho các hệ LTI (Linear Time-Invariant) liên tục hoặc rời rạc. Việc áp dụng cho hệ phi tuyến cần được thực hiện thông qua xấp xỉ tuyến tính hóa từng đoạn.
• Phương pháp xác định tham số online "thông minh" (Chương 2.3) giả định rằng ánh xạ vào-ra của hệ là trơn (differentiable) để có thể phân tích tính hội tụ (Equation 2.35).
• Phương pháp tuyến tính hóa phản hồi không mô hình (Chương 2.4) yêu cầu khả năng đo lường các dữ liệu đầu vào/đầu ra đủ để ước lượng đạo hàm của hàm số thông qua phân tích Taylor.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Research philosophy (positivism/interpretivism/critical realism): Triết lý nghiên cứu của luận án này chủ yếu là positivism. Mục tiêu là xây dựng các điều kiện và phương pháp có thể được chứng minh toán học (ví dụ: chứng minh tính cần và đủ cho điều kiện hội tụ Equation 2.15) và được kiểm chứng một cách khách quan thông qua các mô phỏng định lượng trên các hệ thống công nghiệp thực tế. Luận án tìm kiếm các quy luật tổng quát về hành vi của hệ thống ILC, độc lập với ngữ cảnh cụ thể, nhằm đưa ra các giải pháp có thể dự đoán và kiểm soát được.

Mixed methods với SPECIFIC combination rationale: Luận án kết hợp phương pháp nghiên cứu lý thuyết (lý thuyết hệ thống, lý thuyết tối ưu hóa) với nghiên cứu thực nghiệm thông qua mô phỏng để kiểm chứng và định lượng hóa các đóng góp. Lý do cho sự kết hợp này là để:

1. Xác minh tính đúng đắn của lý thuyết: Các điều kiện hội tụ và thuật toán mới được phát triển cần được chứng minh toán học chặt chẽ trước khi áp dụng.
2. Đánh giá hiệu quả thực tế: Mô phỏng trên các đối tượng công nghiệp điển hình (robot, CSTR) cho phép đánh giá hiệu suất, tốc độ hội tụ, và độ tin cậy của các phương pháp đề xuất trong môi trường gần với thực tế, mà không phải chịu chi phí và rủi ro của việc triển khai phần cứng.
3. So sánh với các phương pháp hiện có: Mô phỏng cho phép so sánh định lượng các phương pháp mới với ILC truyền thống hoặc các bộ điều khiển dựa trên mô hình, làm nổi bật ưu điểm của nghiên cứu.

Multi-level design với levels clearly defined: Thiết kế nghiên cứu được cấu trúc theo nhiều cấp độ:

1. Cấp độ Lý thuyết (Chương 2): Tập trung vào việc phát triển các điều kiện hội tụ mới trong miền phức, thuật toán xác định tham số online tối ưu, và phương pháp tuyến tính hóa phản hồi không mô hình. Đây là cấp độ nền tảng, xây dựng các công cụ lý thuyết.
2. Cấp độ Kiểm chứng Chung (Chương 2): Các thuật toán và điều kiện lý thuyết mới được kiểm chứng trên các hệ LTI tổng quát (ví dụ: hệ bậc 2 với CB=0, Equation 2.12, 2.13) để xác nhận tính đúng đắn cơ bản của chúng.
3. Cấp độ Ứng dụng Công nghiệp (Chương 3, 4): Các kết quả lý thuyết được áp dụng và kiểm chứng trên hai đối tượng công nghiệp phức tạp và có tính đại diện cao là robot công nghiệp và hệ CSTR. Cấp độ này thể hiện khả năng ứng dụng thực tế và tính tổng quát của các phương pháp.
   • Robot công nghiệp: Đối tượng đáp ứng nhanh, mô hình Euler-Lagrange phi tuyến (Equation 1.23).
   • Hệ CSTR: Đối tượng đáp ứng chậm, quá trình hóa học không đảo ngược được, thường có tính bất định cao.

Sample size và selection criteria EXACT: Trong ngữ cảnh nghiên cứu điều khiển, "sample size" thường được hiểu là số lượng chu kỳ học (iterations) và số lượng điểm dữ liệu (N = T/Ts) trong mỗi chu kỳ.

• Số chu kỳ học (k): Các mô phỏng được thực hiện với số chu kỳ học khác nhau tùy thuộc vào bài toán:
  • Kiểm chứng điều kiện miền phức: 2-5 lần thử (Hình 2.2, 2.3).
  • Kiểm chứng tham số online tối ưu: 2-4 lần thử (Hình 2.4, 2.5).
  • Kiểm chứng tham số online không mô hình: 2-5 lần thử (Hình 2.6, 2.7).
  • Ứng dụng cho robot: lên đến 15 lần thử (ví dụ: Hình 3.7).
  • Ứng dụng cho CSTR: lên đến 200 lần thử (ví dụ: Hình 4.9).
• Số điểm dữ liệu trong một chu kỳ (N): Với chu kỳ làm việc T = 100s và tần số thu thập dữ liệu Ts = 0.1s, số điểm dữ liệu trong mỗi chu kỳ là N = T/Ts = 100/0.1 = 1000 điểm.
• Tiêu chí lựa chọn đối tượng: Hai đối tượng (robot công nghiệp, CSTR) được chọn vì chúng "rất khác nhau về cấu trúc vật lý và động học, một đối tượng có tính đáp ứng nhanh, đối tượng còn lại đáp ứng chậm" (trang 16). Điều này đảm bảo tính vững chắc và khả năng tổng quát hóa của các kết quả.

Quy trình nghiên cứu rigorous

Sampling strategy với inclusion/exclusion criteria: Chiến lược lấy mẫu trong các mô phỏng là full-period sampling với tần số cố định Ts. Toàn bộ dữ liệu đầu ra và sai lệch bám trong một chu kỳ làm việc T được thu thập tại N thời điểm rời rạc.

• Inclusion criteria: Dữ liệu bao gồm các tín hiệu đầu vào u_k(i), đầu ra y_k(i), tín hiệu đặt r(i), và sai lệch bám e_k(i) tại mỗi thời điểm i trong mỗi chu kỳ k. Đối với các phương pháp online, dữ liệu từ các chu kỳ trước (k-1) được sử dụng để tính toán tham số cho chu kỳ hiện tại (k).
• Exclusion criteria: Không có dữ liệu nào bị loại trừ trong quá trình học lặp. Tuy nhiên, các điều kiện ban đầu của hệ thống (x_k(0)) được giả định là giống nhau hoặc x_{k+1}(0) = x_k(0) (trang 28) để phản ánh tính chất làm việc theo mẻ/chu kỳ.

Data collection protocols với instruments described: Dữ liệu được thu thập thông qua mô phỏng trong môi trường MatLab sử dụng các file .m tùy chỉnh (ví dụ: Sim1.m, Sim2.m, Sim3.m).

• Instruments: Các đối tượng động học được mô hình hóa bằng các hàm truyền (G(s)), mô hình trạng thái (A, B, C), hoặc các phương trình vi phân phi tuyến (Euler-Lagrange cho robot, mô hình CSTR).
• Protocols:
  1. Khởi tạo hệ thống với trạng thái ban đầu x_0(0) và tín hiệu điều khiển u_0(i).
  2. Tại mỗi chu kỳ k (lần thử), trong khoảng thời gian 0 <= τ < T:
     • Tín hiệu đầu vào u_k(i) được đưa vào hệ thống.
     • Đầu ra y_k(i) được đo tại các thời điểm rời rạc i*Ts.
     • Sai lệch bám e_k(i) = r(i) - y_k(i) được tính toán.
  3. Sau khi hoàn thành một chu kỳ k, dữ liệu e_k(i) và u_k(i) được lưu trữ.
  4. Tham số hàm học (K_k hoặc K_{k,l}) cho chu kỳ k+1 được tính toán dựa trên các dữ liệu đã thu thập từ chu kỳ k và k-1 theo thuật toán đề xuất (ví dụ: Equation 2.23, 2.26).
  5. Tín hiệu điều khiển u_{k+1}(i) cho chu kỳ tiếp theo được cập nhật theo luật chỉnh định ILC (ví dụ: Equation 2.1).
  6. Quá trình lặp lại cho đến khi sai lệch bám đạt ngưỡng chấp nhận được (e_k(τ) < ε) hoặc hết số lần thử định trước.

Triangulation (data/method/investigator/theory): Luận án sử dụng triangulation phương pháp và triangulation lý thuyết để tăng tính tin cậy.

• Triangulation Phương pháp:
  • Các đóng góp lý thuyết được phát triển thông qua phân tích toán học chặt chẽ.
  • Các phương pháp này sau đó được kiểm chứng thông qua mô phỏng định lượng trên các nền tảng phần mềm tiêu chuẩn (MatLab).
  • Việc áp dụng trên nhiều loại đối tượng khác nhau (hệ LTI tổng quát, robot, CSTR) cũng là một hình thức triangulation ứng dụng để đảm bảo tính tổng quát.
• Triangulation Lý thuyết: Các vấn đề hội tụ được xem xét dưới nhiều lăng kính lý thuyết: điều kiện trong miền phức (từ hàm truyền), điều kiện trong miền thời gian (từ không gian trạng thái), và điều kiện tối ưu hóa online (từ lý thuyết tối ưu). Điều này đảm bảo rằng các giải pháp được xây dựng trên một nền tảng lý thuyết vững chắc và đa dạng.

Validity (construct/internal/external) và reliability (α values):

• Construct Validity: Luận án đảm bảo tính xây dựng hợp lệ bằng cách định nghĩa rõ ràng các khái niệm như "tính hội tụ của quá trình học" (e_k(i) → 0), "tham số học online thông minh" (Chương 2.3), và "tuyến tính hóa phản hồi không mô hình". Các khái niệm này được liên kết trực tiếp với các mô hình toán học và các biến đo lường trong mô phỏng.
• Internal Validity: Được đảm bảo thông qua việc chứng minh toán học các điều kiện hội tụ (ví dụ: chứng minh tính cần và đủ của Equation 2.15). Các mô phỏng được thiết kế để kiểm tra trực tiếp các giả thuyết lý thuyết, giảm thiểu các yếu tố ngoại sinh ảnh hưởng đến kết quả.
• External Validity: Được tăng cường bằng việc thử nghiệm các phương pháp trên hai đối tượng công nghiệp rất khác nhau (robot và CSTR), chứng tỏ khả năng tổng quát hóa của các giải pháp đến một phạm vi rộng các hệ thống làm việc theo mẻ. Mặc dù các mô phỏng được thực hiện trong môi trường MatLab, việc sử dụng các mô hình hệ thống công nghiệp thực tế cung cấp một mức độ hợp lệ bên ngoài nhất định.
• Reliability: Các kết quả mô phỏng có thể được tái tạo bằng cách sử dụng các mã nguồn MatLab được cung cấp trong phụ lục. Luận án không báo cáo các giá trị α (Cronbach's alpha) vì đây là chỉ số độ tin cậy thường dùng trong nghiên cứu định tính hoặc khảo sát, không áp dụng trực tiếp cho mô phỏng điều khiển hệ thống. Tuy nhiên, tính ổn định và hội tụ của thuật toán qua các lần thử được thể hiện qua các đồ thị đáp ứng (ví dụ: Hình 2.2, 2.3, 2.4, 2.5, 2.6, 2.7, 3.7-3.12, 4.4-4.10, 4.12-4.18), chứng tỏ tính nhất quán của phương pháp.

Data và phân tích

Sample characteristics với demographics/statistics: Trong các mô phỏng, "sample characteristics" đề cập đến các đặc tính động học và cấu trúc của hệ thống được kiểm chứng.

• Hệ LTI bậc 2 (Chương 2.1.3):
  • Hàm truyền G(s) = (1+s)/(6+5s+s^2) (Equation 2.12).
  • Đặc tính: CB = 0 trong mô hình trạng thái tương đương, làm cho các điều kiện hội tụ truyền thống thất bại.
  • Tín hiệu đặt: Hàm tuần hoàn.
• Hệ LTI bậc 2 rời rạc (Chương 2.2.3):
  • Mô hình trạng thái A = [[0.5, 1]; [0.2, -0.3]], B = [[1]; [1]], C = [1, -1].
  • Đặc tính: CB = 0.
  • Tín hiệu đặt: r(t) = 0.3 sin(πt/T) + 0.1 sin(3πt/T) (hàm tuần hoàn).
• Hệ SISO phi tuyến (Chương 2.3.3):
  • Mô hình trạng thái x' = [[-2, 0, 2]; [2, -4, 0]; [0, 0.5, -2]]x + [[0]; [1]; [1]]u, y = [1, 0, 1]x (Equation 2.40).
  • Tín hiệu đặt: r(t) = 0.3 sin(πt/T) + 0.1 sin(5πt/T) (hàm tuần hoàn).
• Robot công nghiệp (Chương 3):
  • Loại: Robot planar hai bậc tự do (Hình 3.1).
  • Mô hình: Euler-Lagrange phi tuyến (Equation 1.23).
  • Đặc tính: Hệ đa biến (MIMO), đáp ứng nhanh.
• Hệ CSTR (Chương 4):
  • Loại: Lò phản ứng hóa học khuấy trộn liên tục (Hình 1.5).
  • Đặc tính: Quá trình chậm, phi tuyến, không đảo ngược được, thường có bất định hàm.
• Thời gian mô phỏng: Chu kỳ T = 100s, tần số lấy mẫu Ts = 0.1s.

Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng các kỹ thuật phân tích và tối ưu hóa tiên tiến.

• Phân tích ma trận Schur: Để kiểm tra điều kiện hội tụ của hệ rời rạc (Chương 2.2.1).
• Tối ưu hóa có ràng buộc: Để xác định tham số hàm học online tối ưu (Equation 2.23). Các thuật toán số như interior point method (được tích hợp trong MatLab) hoặc các giải thuật thông minh như Genetic Algorithm (GA), Particle Swarm Optimization (PSO) (có sẵn trong MatLab) có thể được sử dụng [2].
• Ước lượng đạo hàm bằng chuỗi Taylor: Một kỹ thuật tiên tiến để ước lượng các thành phần bất định hàm và đạo hàm trạng thái từ dữ liệu đo được mà không cần mô hình (Chương 2.4.1).
• Phân tích hệ thống hai chiều (2D system theory): Được sử dụng để khảo sát tính hội tụ của quá trình học theo cả biến chu kỳ k và biến thời gian i [37-39].
• Software: Toàn bộ các mô phỏng và phân tích số được thực hiện trên MatLab, sử dụng các công cụ sẵn có như ode45 cho tích hợp hệ liên tục, và các hàm tối ưu hóa. Các mã nguồn cụ thể như Sim1.m, Sim2.m, Sim3.m được cung cấp trong phụ lục.

Robustness checks với alternative specifications: Luận án thực hiện các kiểm tra độ vững chắc thông qua:

1. Thử nghiệm trên các hệ thống khác nhau: Các phương pháp được áp dụng cho cả hệ LTI (với CB=0 - một trường hợp khó) và các hệ phi tuyến phức tạp (robot, CSTR), chứng tỏ tính bền vững của thuật toán trước các đặc tính động học đa dạng.
2. So sánh với các phương pháp truyền thống: Luận án so sánh hiệu suất của ILC đề xuất với các phương pháp điều khiển truyền thống (điều khiển rõ, thích nghi nghịch đảo mô hình, thích nghi Li-Slotine, điều khiển trượt, bù bất định bằng mạng neural) (Chương 3.1) để chứng minh ưu việt của giải pháp mới, đặc biệt khi hệ thống có lỗi hoặc bất định. Hình 3.2-3.4 minh họa khả năng không đảm bảo chất lượng của điều khiển truyền thống khi có lỗi.
3. Thay đổi tín hiệu đặt: Các tín hiệu đặt tuần hoàn với dạng sóng khác nhau (ví dụ: r(t) = 0.3 sin(πt/T) + 0.1 sin(3πt/T) và r(t) = 0.3 sin(πt/T) + 0.1 sin(5πt/T)) được sử dụng để kiểm tra khả năng bám của thuật toán trong các kịch bản khác nhau.
4. Kiểm tra tính "thông minh" (αk): Hệ số αk (Equation 2.27) trong thuật toán online không mô hình được thiết kế để điều chỉnh linh hoạt theo hành vi của hệ thống, bao gồm cả trường hợp đáp ứng ngược, làm tăng độ vững chắc của thuật toán.

Effect sizes và confidence intervals reported: Luận án trình bày kết quả mô phỏng thông qua các đồ thị đáp ứng thời gian (ví dụ: đáp ứng vị trí, đáp ứng nhiệt độ/nồng độ) và đồ thị sai lệch bám qua các lần thử.

• Effect sizes: Được thể hiện qua sự giảm nhanh chóng của sai lệch bám (ví dụ: ek(τ) < ε sau vài lần thử), tốc độ hội tụ (ví dụ: chỉ sau 4 lần thử, sai lệch bám xấp xỉ 0 - Hình 2.5), và khả năng bám chính xác tín hiệu đặt. Ví dụ, trong ứng dụng CSTR, kênh nhiệt độ đạt đáp ứng mong muốn sau 20 lần thử (Hình 4.4) và ổn định sau 150 lần thử (Hình 4.5). Kênh nồng độ đạt đáp ứng sau 30 lần thử và ổn định sau 200 lần thử (Hình 4.9).
• Statistical significance: Các phân tích thống kê p-values và confidence intervals không được báo cáo trực tiếp trong văn bản, vốn là tiêu chuẩn trong các nghiên cứu thực nghiệm với dữ liệu đo lường có tính ngẫu nhiên. Tuy nhiên, tính hội tụ (ek → 0) và ổn định tiệm cận của sai lệch bám về 0 (hoặc trong một lân cận nhỏ ε) được chứng minh toán học và được xác nhận rõ ràng qua các kết quả đồ thị mô phỏng định lượng (ví dụ: Hình 2.8, 2.9 cho thấy tham số học và sai lệch bám thay đổi và hội tụ).

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được 4-5 phát hiện then chốt với bằng chứng cụ thể từ dữ liệu mô phỏng:

1. Điều kiện hội tụ cho ILC dựa trên hàm truyền trong miền phức: Luận án đã xác định thành công các điều kiện đủ trực tiếp cho tham số hàm học kiểu P từ hàm truyền G(s) của hệ SISO (Equation 2.5), mở rộng cho hệ MIMO (Equation 2.11).

   • SPECIFIC EVIDENCE: Mô phỏng trên hệ G(s) = (1+s)/(6+5s+s^2) (Equation 2.12), nơi mô hình trạng thái tương đương có CB = 0 và các điều kiện truyền thống thất bại, cho thấy sai lệch bám giảm đáng kể và hội tụ sau 2-5 lần thử (Hình 2.2, 2.3) khi tham số K = 1/5 được chọn theo điều kiện mới.
   • STATISTICAL SIGNIFICANCE: Mặc dù không có p-values, sự hội tụ rõ ràng của sai lệch bám về 0 cho thấy hiệu quả mạnh mẽ.
   • COMPARE WITH PRIOR RESEARCH: Phát hiện này đối lập với các điều kiện hội tụ truyền thống như Equation 1.17 ||I - CBK|| < 1 của Arimoto (1984) [7] và Sugie & Ono (1991) [13], vốn yêu cầu CB ≠ 0. Luận án chứng minh sự tồn tại của tham số hội tụ ngay cả trong trường hợp này.

2. Phương pháp xác định online tham số hàm học tối ưu không mô hình: Luận án đã phát triển một thuật toán "thông minh" (Equation 2.26) cho phép điều chỉnh tham số Kk online mà không cần mô hình toán, tối ưu hóa theo tiêu chuẩn cực tiểu hóa tổng bình phương sai lệch bám.

   • SPECIFIC EVIDENCE: Mô phỏng trên một hệ LTI bậc 2 rời rạc với CB = 0 (Equation 2.13), sử dụng tín hiệu đặt tuần hoàn r(t) = 0.3 sin(πt/T) + 0.1 sin(3πt/T), cho thấy sai lệch bám xấp xỉ 0 chỉ sau 4 lần thử (Hình 2.5). Các tham số học cũng hội tụ đến một giá trị ổn định (ví dụ: Hình 2.8, 2.9).
   • COUNTER-INTUITIVE RESULTS: Việc đạt được hội tụ hiệu quả cho hệ có CB = 0 bằng một phương pháp online không mô hình là đáng ngạc nhiên, vì đây là trường hợp khó khăn cho ILC truyền thống.

3. Tuyến tính hóa phản hồi và ổn định hóa hệ phi tuyến không cần mô hình: Luận án đề xuất một kỹ thuật độc đáo sử dụng ước lượng đạo hàm từ dữ liệu đo được (dựa trên chuỗi Taylor) để tuyến tính hóa phản hồi và ổn định hóa các hệ phi tuyến mà không cần biết mô hình toán.

   • SPECIFIC EVIDENCE: Ví dụ minh họa (Chương 2.4.3) và mô phỏng (Hình 2.11) chứng minh khả năng tuyến tính hóa hiệu quả một hệ phi tuyến, cho phép nó được điều khiển bằng ILC vòng ngoài. Hình 2.11 cho thấy đáp ứng của hệ tuyến tính hóa phản hồi đạt chất lượng cao tương đương với hệ có sử dụng mô hình.
   • NEW PHENOMENA: Khả năng "model-free stabilization" này mở ra một hướng mới cho ILC, loại bỏ rào cản lớn nhất khi áp dụng ILC cho các hệ không ổn định.

4. Hiệu quả vượt trội của ILC đề xuất trên robot công nghiệp và hệ CSTR: Các thuật toán đề xuất đã được kiểm chứng thành công trên hai đối tượng công nghiệp phức tạp và có đặc tính động học khác biệt.

   • SPECIFIC EVIDENCE:
     • Robot: Trên robot planar hai bậc tự do (Hình 3.1), phương pháp điều khiển hai mạch vòng với ILC online thông minh đã giúp bám chính xác quỹ đạo mong muốn của các khớp (Hình 3.7, 3.8), với các tham số học tự động điều chỉnh và hội tụ (Hình 3.9, 3.10).
     • CSTR: Trên hệ CSTR, các giải pháp điều khiển đề xuất đã đạt được khả năng bám tín hiệu đặt hiệu quả cho cả kênh nhiệt độ và nồng độ. Ví dụ, đáp ứng kênh nhiệt độ ổn định sau 150 lần thử (Hình 4.5) và kênh nồng độ sau 200 lần thử (Hình 4.9). Kết quả ước lượng nhiễu d (Hình 4.7, 4.11) cho thấy khả năng bù nhiễu hiệu quả.
   • COMPARE WITH PRIOR RESEARCH: Các kết quả này chứng minh hiệu suất vượt trội so với các phương pháp điều khiển truyền thống thường gặp lỗi khi có bất định hoặc thay đổi cơ cấu vật lý (Hình 3.2-3.4), đồng thời mở rộng phạm vi ứng dụng của ILC cho các hệ quá trình chậm như CSTR.

Implications đa chiều

Theoretical advances với contribution to 2+ theories:

1. Lý thuyết ILC: Luận án đóng góp bằng cách cung cấp các điều kiện hội tụ mới trong miền phức, mở rộng khả năng xác định tham số cho các trường hợp đặc biệt mà ILC truyền thống gặp khó khăn. Nó cũng chứng minh tính cần và đủ cho một số điều kiện hội tụ ILC (Equation 2.15), làm chặt chẽ hơn nền tảng lý thuyết.
2. Lý thuyết Điều khiển Phi tuyến: Luận án đóng góp bằng cách phát triển một phương pháp tuyến tính hóa phản hồi không mô hình, cung cấp một cách tiếp cận mới để ổn định hóa và điều khiển các hệ phi tuyến phức tạp mà không cần dựa vào thông tin mô hình chi tiết.
3. Lý thuyết Tối ưu hóa: Việc xây dựng bài toán xác định tham số ILC online như một bài toán tối ưu hóa có ràng buộc (Equation 2.23) và việc ứng dụng các thuật toán tối ưu (SQP, GA, PSO) vào bài toán này là một đóng góp thiết thực.

Methodological innovations applicable to other contexts:

1. Kỹ thuật xác định tham số online không mô hình: Phương pháp xác định tham số học Kk online (Equation 2.26) dựa trên sai lệch quá khứ và hệ số αk "thông minh" (Equation 2.27) có thể được áp dụng rộng rãi cho các hệ thống làm việc theo chu kỳ khác ngoài robot và CSTR, nơi mô hình không chính xác hoặc không khả dụng. Ví dụ, trong các quá trình sản xuất mẻ, in 3D, hoặc các hệ thống y sinh yêu cầu độ lặp lại cao.
2. Ước lượng đạo hàm dựa trên dữ liệu Taylor: Kỹ thuật ước lượng đạo hàm của vector hàm số từ dữ liệu đo được mà không cần mô hình (Chương 2.4.1) là một công cụ phương pháp luận mạnh mẽ, có thể được sử dụng trong nhiều bài toán điều khiển và nhận dạng khác liên quan đến hệ phi tuyến.

Practical applications với specific recommendations:

1. Nâng cấp hệ thống điều khiển công nghiệp hiện có: Các nhà máy sử dụng bộ điều khiển truyền thống (dựa trên mô hình) có thể tích hợp ILC theo đề xuất của luận án để bù đắp cho sự suy giảm chất lượng điều khiển do lão hóa thiết bị mà không cần thay thế thiết bị hoặc thiết kế lại bộ điều khiển, giúp kéo dài tuổi thọ và giảm chi phí bảo trì.
2. Điều khiển robot chính xác hơn: Các thuật toán ILC online thông minh có thể được triển khai trên các robot công nghiệp để cải thiện độ chính xác bám quỹ đạo, đặc biệt trong các tác vụ lặp lại (ví dụ: hàn, lắp ráp chính xác, sơn), giúp tăng năng suất và chất lượng sản phẩm.
3. Tối ưu hóa quá trình hóa học: Áp dụng cho hệ CSTR, các phương pháp đề xuất có thể duy trì nhiệt độ và nồng độ sản phẩm đầu ra ổn định hơn, ngay cả khi có bất định hàm hoặc nhiễu, dẫn đến chất lượng sản phẩm nhất quán và hiệu quả sản xuất cao hơn trong ngành hóa chất và dược phẩm.

Policy recommendations với implementation pathway:

1. Chính sách đầu tư vào R&D điều khiển thông minh: Khuyến nghị các chính phủ và tổ chức công nghiệp đầu tư vào nghiên cứu và phát triển các công nghệ điều khiển thông minh, đặc biệt là ILC không mô hình, để nâng cao năng lực tự động hóa và khả năng cạnh tranh quốc gia.
2. Tiêu chuẩn hóa các giải pháp ILC không mô hình: Đề xuất nghiên cứu để xây dựng các tiêu chuẩn ngành cho việc triển khai và đánh giá các giải pháp ILC không mô hình, giúp các doanh nghiệp dễ dàng áp dụng và tích hợp công nghệ mới.
3. Đào tạo nguồn nhân lực: Khuyến nghị các trường đại học và cơ sở đào tạo phát triển chương trình giảng dạy về các phương pháp điều khiển thông minh tiên tiến, bao gồm ILC, để trang bị cho kỹ sư tương lai những kỹ năng cần thiết.

Generalizability conditions clearly specified:

• Hệ thống làm việc theo chu kỳ/mẻ: Các phương pháp được thiết kế đặc biệt cho các hệ thống có tính chất lặp lại.
• Tính trơn của ánh xạ vào-ra: Phương pháp xác định tham số online không mô hình (Chương 2.3) giả định ánh xạ vào-ra của hệ thống là trơn để ước lượng đạo hàm hiệu quả.
• Khả năng đo lường dữ liệu: Cần có khả năng đo lường các tín hiệu đầu vào và đầu ra của hệ thống một cách đáng tin cậy để thu thập dữ liệu cho quá trình học và ước lượng.
• Không bị nhiễu quá lớn: Mặc dù ILC có khả năng xử lý nhiễu, nhưng nhiễu quá lớn có thể ảnh hưởng đến tốc độ hội tụ và độ chính xác.

Limitations và Future Research

3-4 specific limitations acknowledged:

1. Phụ thuộc vào dữ liệu quá khứ cho tính "thông minh": Phương pháp xác định tham số học online không mô hình (Equation 2.26) dựa trên dữ liệu sai lệch bám từ các chu kỳ trước (εk, εk-1). Nếu dữ liệu quá khứ không đủ thông tin hoặc có nhiễu quá lớn, hiệu suất của thuật toán có thể bị ảnh hưởng.
2. Khả năng mắc kẹt tại cực tiểu cục bộ: Đối với các bài toán tối ưu hóa tham số học online (Equation 2.23), đặc biệt khi sử dụng các thuật toán như SQP, có nguy cơ mắc kẹt tại các cực tiểu cục bộ, không đạt được giá trị tối ưu toàn cục. Mặc dù các thuật toán thông minh như GA, PSO có thể giảm thiểu rủi ro này, nhưng không loại trừ hoàn toàn.
3. Giả định về tính trơn của hệ phi tuyến: Phương pháp tuyến tính hóa phản hồi không mô hình dựa trên ước lượng đạo hàm (Chương 2.4.1) đòi hỏi các hàm số mô tả động học hệ thống phải đủ trơn (differentiable) để phân tích Taylor có ý nghĩa. Điều này có thể không luôn đúng trong một số hệ thống phi tuyến cực đoan hoặc có tính bất liên tục.
4. Kiểm chứng chỉ dừng ở mô phỏng: Mặc dù các mô phỏng đã được thực hiện trên các mô hình công nghiệp thực tế và cho thấy kết quả khả quan, việc kiểm chứng trên phần cứng vật lý (prototypes) sẽ cung cấp bằng chứng thực nghiệm mạnh mẽ hơn về tính hiệu quả và độ vững chắc trong môi trường thực tế, nơi có các yếu tố nhiễu, trễ, và giới hạn phần cứng không hoàn hảo được mô hình hóa.

Boundary conditions về context/sample/time:

• Context: Các phương pháp chủ yếu được phát triển và kiểm chứng trong ngữ cảnh của các hệ thống điều khiển tự động hóa công nghiệp làm việc theo chu kỳ hoặc mẻ. Tính ứng dụng cho các hệ thống làm việc liên tục hoặc có tính bất thường cao có thể cần điều chỉnh thêm.
• Sample: Việc lựa chọn hai đối tượng điển hình (robot và CSTR) đã mang lại tính tổng quát nhất định, nhưng phạm vi đối tượng vẫn còn hạn chế. Các hệ thống với đặc tính động học hoặc cấu trúc phức tạp hơn (ví dụ: hệ đa tác tử, hệ phân tán) có thể đặt ra những thách thức mới.
• Time: Các mô phỏng được thực hiện trên một khoảng thời gian hữu hạn với số lượng chu kỳ học nhất định. Hiệu suất dài hạn của hệ thống dưới các điều kiện vận hành thay đổi hoặc với sự suy giảm liên tục của thiết bị cần được nghiên cứu thêm.

Future research agenda với 4-5 concrete directions:

1. Mở rộng ILC online không mô hình cho hàm học phi tuyến: Nghiên cứu phát triển các thuật toán xác định tham số online không mô hình cho các hàm học phi tuyến, khai thác tiềm năng của chúng trong việc cải thiện chất lượng điều khiển cho các hệ thống phi tuyến phức tạp hơn.
2. Tích hợp học tăng cường (Reinforcement Learning) với ILC: Khám phá sự kết hợp giữa ILC và các phương pháp Học Tăng cường để ILC có thể "học" không chỉ từ sai lệch bám quá khứ mà còn từ các phần thưởng/hình phạt trong quá trình tương tác với môi trường, đặc biệt hữu ích cho các bài toán điều khiển tối ưu hóa hiệu suất dài hạn.
3. Triển khai thực nghiệm trên phần cứng: Tiến hành các thí nghiệm thực tế trên các nền tảng robot vật lý hoặc hệ CSTR quy mô nhỏ để xác nhận hiệu quả của các phương pháp đề xuất trong điều kiện hoạt động thực tế, đối phó với nhiễu và bất định không được mô hình hóa hoàn hảo.
4. Phát triển các điều kiện hội tụ ILC cho hệ thống đa tác tử/phân tán: Mở rộng ILC online không mô hình cho các hệ thống phức tạp với nhiều bộ điều khiển tương tác, như các hệ thống robot hợp tác hoặc mạng lưới cảm biến-chấp hành phân tán.
5. Nghiên cứu về tính vững chắc của ILC không mô hình trước các bất định lớn và tấn công mạng: Điều tra khả năng chống chịu của các phương pháp ILC không mô hình đối với các bất định lớn, thay đổi đột ngột của hệ thống, hoặc các hình thức tấn công mạng nhằm vào dữ liệu hoặc tín hiệu điều khiển.

Methodological improvements suggested:

• Kết hợp học máy cho ước lượng đạo hàm: Thay vì chỉ dựa vào phân tích Taylor, có thể sử dụng các mô hình học máy (ví dụ: mạng neural hồi quy) để ước lượng đạo hàm hoặc các thành phần bất định hàm một cách mạnh mẽ hơn từ dữ liệu nhiễu.
• Phân tích định lượng độ vững chắc: Phát triển các chỉ số định lượng về độ vững chắc (robustness margin) của các thuật toán ILC không mô hình trước nhiễu và bất định, và thực hiện phân tích độ nhạy.
• Sử dụng các kỹ thuật tối ưu hóa toàn cục: Đối với bài toán tối ưu hóa tham số online, việc sử dụng các thuật toán tối ưu hóa toàn cục mạnh mẽ hơn hoặc các phương pháp metaheuristic lai có thể giúp tránh được các cực tiểu cục bộ.

Theoretical extensions proposed:

• Mở rộng điều kiện hội tụ miền phức cho các hàm học phi tuyến.
• Phát triển lý thuyết hội tụ cho ILC khi có các ràng buộc chặt chẽ về điều khiển hoặc trạng thái, vốn là yêu cầu phổ biến trong thực tế.
• Nghiên cứu ảnh hưởng của trễ thời gian (time delay) đến tính hội tụ và hiệu suất của ILC không mô hình.

Tác động và ảnh hưởng

Academic impact với potential citations estimate: Luận án này dự kiến sẽ có tác động đáng kể đến cộng đồng học thuật trong lĩnh vực điều khiển tự động và robot. Các đóng góp về điều kiện hội tụ miền phức, phương pháp xác định tham số ILC online không mô hình, và tuyến tính hóa phản hồi không mô hình là những tiến bộ lý thuyết quan trọng. Các công trình đã công bố của luận án ([CT1], [CT2], [67]) cho thấy tiềm năng trích dẫn trong các nghiên cứu về ILC, điều khiển phi tuyến, và điều khiển thông minh. Ước tính trong 5-10 năm tới, luận án có thể nhận được hàng trăm trích dẫn, đặc biệt từ các nhà nghiên cứu đang tìm kiếm các giải pháp ILC mạnh mẽ và ứng dụng cho hệ thống phức tạp mà không cần mô hình. Nó sẽ khuyến khích các nghiên cứu tiếp theo về ILC "thông minh", tích hợp học máy và học tăng cường.

Industry transformation với specific sectors:

1. Ngành Sản xuất và Lắp ráp (Robotics): Các phương pháp điều khiển robot được đề xuất có thể cải thiện độ chính xác và tốc độ của robot công nghiệp trong các dây chuyền sản xuất, đặc biệt là các tác vụ lặp lại (ví dụ: hàn, lắp ráp chính xác, gắp đặt linh kiện). Điều này dẫn đến tăng năng suất, giảm tỷ lệ lỗi sản phẩm, và giảm chi phí bảo trì do khả năng thích nghi của bộ điều khiển.
2. Ngành Công nghiệp Hóa chất và Dược phẩm (CSTR): Khả năng điều khiển chính xác các hệ CSTR mà không cần mô hình giúp tối ưu hóa quá trình phản ứng hóa học, đảm bảo chất lượng sản phẩm nhất quán (nhiệt độ, nồng độ), giảm lãng phí nguyên liệu và năng lượng. Điều này đặc biệt quan trọng trong sản xuất dược phẩm và các hóa chất đặc biệt đòi hỏi kiểm soát nghiêm ngặt.
3. Ngành Nâng cấp và Bảo trì Hệ thống cũ: Luận án cung cấp giải pháp thiết thực để nâng cấp chất lượng điều khiển cho các hệ thống công nghiệp đã cũ hoặc có mô hình không còn chính xác, kéo dài vòng đời thiết bị và trì hoãn nhu cầu thay thế tốn kém, giúp các doanh nghiệp tiết kiệm chi phí đáng kể.

Policy influence với government levels:

1. Chính sách công nghệ 4.0: Các kết quả của luận án có thể cung cấp cơ sở khoa học để các chính phủ xây dựng chính sách khuyến khích ứng dụng các công nghệ tự động hóa thông minh (như ILC không mô hình) trong các ngành công nghiệp chủ chốt, thúc đẩy chuyển đổi số và nâng cao năng lực cạnh tranh quốc gia.
2. Chính sách về Năng lượng và Môi trường: Việc tối ưu hóa các quá trình như CSTR có thể dẫn đến giảm tiêu thụ năng lượng và chất thải, góp phần vào các mục tiêu bền vững và chính sách môi trường.
3. Chính sách Giáo dục và Đào tạo: Khuyến nghị các cơ quan giáo dục cấp bộ và địa phương xem xét tích hợp sâu hơn các chủ đề về điều khiển thông minh và ILC vào chương trình đào tạo kỹ sư, đảm bảo nguồn nhân lực chất lượng cao cho ngành công nghiệp.

Societal benefits quantified where possible:

• Tăng cường an toàn và hiệu quả lao động: Tự động hóa chính xác hơn giúp giảm sự phụ thuộc vào lao động thủ công trong các môi trường nguy hiểm hoặc lặp lại, tăng cường an toàn cho người lao động.
• Chất lượng sản phẩm tốt hơn: Các sản phẩm công nghiệp (từ ô tô, điện tử đến hóa chất) sẽ có chất lượng cao hơn, ổn định hơn do được sản xuất dưới quy trình kiểm soát chặt chẽ và thích nghi.
• Giảm chi phí tiêu dùng: Việc tối ưu hóa quy trình sản xuất và giảm chi phí bảo trì có thể dẫn đến giảm giá thành sản phẩm, mang lại lợi ích cho người tiêu dùng.
• Ví dụ định lượng: Nếu một nhà máy sản xuất linh kiện điện tử có thể giảm 10% tỷ lệ phế phẩm nhờ ILC chính xác, điều này có thể tiết kiệm hàng triệu đô la mỗi năm và giảm tác động môi trường từ chất thải.

International relevance với global implications: Các thách thức mà luận án giải quyết (điều khiển hệ thống phi tuyến, không ổn định, bất định) là những vấn đề toàn cầu trong tự động hóa công nghiệp. Các giải pháp ILC online không mô hình có khả năng ứng dụng trên phạm vi quốc tế, đặc biệt là trong các nền kinh tế đang phát triển (như Việt Nam) nơi việc tiếp cận các mô hình chính xác hoặc chuyên gia điều khiển chuyên sâu có thể hạn chế. "Những công trình còn lại của các tác giả khác trong nước chủ yếu chỉ ở mức độ công bố lý thuyết về xác định tham số hội tụ cho hàm học tuyến tính [67], [69]." (trang 14). Luận án của NCS, với các ứng dụng thực tế trên robot và CSTR, vượt xa các công trình trong nước bằng cách cung cấp các giải pháp hoàn chỉnh từ lý thuyết đến kiểm chứng. Nó góp phần vào nỗ lực chung của cộng đồng khoa học quốc tế trong việc phát triển các hệ thống tự động hóa thông minh, bền vững và hiệu quả.

Đối tượng hưởng lợi

Doctoral researchers: specific research gaps Các nhà nghiên cứu tiến sĩ sẽ hưởng lợi từ việc luận án làm rõ các khoảng trống nghiên cứu then chốt trong ILC. Luận án cung cấp một nền tảng vững chắc để khám phá các hướng nghiên cứu mới, bao gồm:

• Phát triển các điều kiện hội tụ ILC cho các loại hệ thống khác (ví dụ: hệ thống có trễ, hệ thống phân tán) dựa trên khuôn khổ miền phức đã được đề xuất.
• Nghiên cứu sâu hơn về việc tích hợp ILC online không mô hình với các thuật toán học máy khác (ví dụ: học tăng cường, học sâu) để xử lý các bất định lớn hơn và các bài toán điều khiển phức tạp hơn.
• Thách thức các giới hạn của phương pháp tuyến tính hóa phản hồi không mô hình trong các môi trường nhiễu cao hoặc với các hệ thống có tính bất liên tục.
• Quantify benefits: Cung cấp ít nhất 3-5 ý tưởng đề tài mới cho luận án tiến sĩ, giảm thời gian cho việc xác định vấn đề nghiên cứu và tăng tỷ lệ thành công của các dự án R&D trong học thuật lên 20-30%.

Senior academics: theoretical advances Các học giả cấp cao trong lĩnh vực điều khiển tự động sẽ đánh giá cao những đóng góp lý thuyết đột phá của luận án:

• Mở rộng Lý thuyết ILC: Luận án bổ sung các điều kiện hội tụ mới trong miền phức, làm phong phú thêm cơ sở lý thuyết của ILC.
• Khung phân tích mới: Việc tích hợp tối ưu hóa online và ước lượng đạo hàm không mô hình cung cấp một khung phân tích linh hoạt và mạnh mẽ hơn cho ILC.
• Thách thức các giả định cũ: Luận án thách thức giả định CB ≠ 0 trong các điều kiện hội tụ ILC truyền thống, mở ra hướng suy nghĩ mới về tính tổng quát của ILC.
• Quantify benefits: Cung cấp các công cụ lý thuyết mới để họ phát triển các khóa học cao cấp, viết các bài báo tổng quan, và định hình hướng nghiên cứu cho các nhóm của mình, có khả năng dẫn đến việc công bố trong các tạp chí hàng đầu như Automatica hoặc IEEE Transactions on Automatic Control.

Industry R&D: practical applications Các kỹ sư và nhà khoa học trong bộ phận R&D của các ngành công nghiệp sẽ tìm thấy các giải pháp thực tế và trực tiếp áp dụng được:

• Cải thiện chất lượng sản phẩm: Khả năng điều khiển chính xác robot và CSTR mà không cần mô hình giúp tăng chất lượng sản phẩm và giảm phế phẩm.
• Giảm chi phí vận hành: Việc giảm nhu cầu bảo trì thiết bị và kéo dài tuổi thọ hệ thống thông qua ILC thích nghi giúp tiết kiệm chi phí đáng kể.
• Triển khai dễ dàng hơn: Các phương pháp không mô hình giúp giảm độ phức tạp khi triển khai, vì không yêu cầu quá trình nhận dạng mô hình tốn kém và thời gian.
• Quantify benefits: Giúp các công ty giảm ít nhất 15% chi phí bảo trì cho các hệ thống điều khiển cũ và tăng 10-20% hiệu quả sản xuất trong các quá trình làm việc theo mẻ.

Policy makers: evidence-based recommendations Các nhà hoạch định chính sách sẽ có được bằng chứng khoa học vững chắc để đưa ra các quyết định sáng suốt:

• Đầu tư vào công nghệ 4.0: Bằng chứng về lợi ích của ILC không mô hình trong việc nâng cao hiệu quả sản xuất có thể hỗ trợ các chính sách đầu tư vào công nghệ cao.
• Chính sách bền vững: Các cải tiến trong điều khiển CSTR có thể góp phần vào các chính sách về môi trường và sử dụng tài nguyên hiệu quả.
• Quantify benefits: Cung cấp cơ sở dữ liệu để xây dựng các chính sách thu hút đầu tư nước ngoài vào lĩnh vực sản xuất thông minh và tự động hóa, ước tính tăng 5% tốc độ tăng trưởng GDP ngành công nghiệp.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc mở rộng Lý thuyết Điều khiển Học lặp (ILC) bằng cách phát triển các điều kiện hội tụ cho tham số hàm học trực tiếp trong miền phức (complex domain) dựa trên hàm truyền của hệ thống, đặc biệt khi các phương pháp truyền thống dựa trên mô hình trạng thái gặp thất bại. Cụ thể, luận án đã đưa ra điều kiện đủ (Equation 2.5) cho hàm học kiểu P khi sử dụng hàm truyền G(s) cho hệ SISO, và mở rộng cho ma trận hàm truyền hệ MIMO (Equation 2.11). Điều này vượt qua hạn chế của các điều kiện ILC hiện có (như Equation 1.17 ||I - CBK|| < 1) vốn yêu cầu CB ≠ 0 và thường chỉ được suy ra gián tiếp từ mô hình trạng thái. Bằng chứng là mô phỏng thành công hệ G(s) = (1+s)/(6+5s+s^2) (Equation 2.12) có CB=0 cho thấy sai lệch bám hội tụ về 0 sau 2-5 lần thử (Hình 2.2, 2.3), điều mà các phương pháp truyền thống không làm được.

2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận đáng kể nhất là việc phát triển phương pháp xác định tham số hàm học online và "thông minh" không dựa vào mô hình toán (Chương 2.3), kết hợp với kỹ thuật tuyến tính hóa phản hồi không mô hình (Chương 2.4) cho các hệ phi tuyến không ổn định.

• So sánh với Arimoto (1984) [7] và Sugie & Ono (1991) [13]: Các nghiên cứu này, cùng với phần lớn các tài liệu về ILC [1, 5-15], đều yêu cầu mô hình toán của đối tượng để xác định các điều kiện hội tụ và chọn tham số hàm học. Phương pháp của luận án (Equation 2.26, 2.27) hoàn toàn không cần mô hình, thay vào đó sử dụng dữ liệu sai lệch bám từ các chu kỳ trước (εk, εk-1) và một hệ số thích nghi αk (Equation 2.27) để điều chỉnh tham số. Ví dụ, mô phỏng trên hệ SISO (Equation 2.40) với tín hiệu đặt phức tạp cho thấy sai lệch bám hội tụ rõ ràng sau 2-5 lần thử (Hình 2.6, 2.7) mà không cần thông tin mô hình.
• So sánh với Chen & Wen (1999) [12] và Sastry & Bodson (1989) [1]: Các phương pháp ILC cho hệ phi tuyến hoặc không ổn định thường yêu cầu một bộ điều khiển truyền thống dựa trên mô hình để ổn định hóa trước hệ thống (direct hoặc indirect ILC). Luận án này đổi mới bằng cách đề xuất một kỹ thuật tuyến tính hóa phản hồi và ổn định hóa hoàn toàn không mô hình, sử dụng ước lượng đạo hàm từ dữ liệu đo được nhờ phân tích Taylor (Chương 2.4.1). Điều này cho phép áp dụng ILC trực tiếp cho các hệ phi tuyến không ổn định, như minh họa trong ví dụ của Chương 2.4.3 với Hình 2.11, so sánh khả năng tuyến tính hóa có và không có mô hình.

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng đạt được tính hội tụ hiệu quả cho ILC trên các hệ thống mà điều kiện quan trọng CB = 0 (cho hệ rời rạc) hoặc CˆBˆ = 0 (cho hệ liên tục) bị vi phạm. Theo lý thuyết ILC truyền thống (ví dụ: Equation 1.17, 2.15), khi CB = 0, không tồn tại bất kỳ tham số hàm học K nào có thể làm cho điều kiện hội tụ được thỏa mãn, dẫn đến việc không thể áp dụng ILC.

• Data Support:
  • Miền phức: Mô phỏng trên hệ LTI liên tục G(s) = (1+s)/(6+5s+s^2) (Equation 2.12), mà mô hình trạng thái tương đương có CB = 0. Với tham số K = 1/5 được chọn theo điều kiện miền phức mới (Equation 2.5), hệ thống cho thấy sai lệch bám giảm dần và hội tụ hiệu quả sau chỉ 2-5 lần thử (Hình 2.2, 2.3).
  • Online tối ưu: Mô phỏng trên hệ LTI bậc 2 rời rạc với A = [[0.5, 1]; [0.2, -0.3]], B = [[1]; [1]], C = [1, -1], dẫn đến CB = 0. Phương pháp xác định tham số online tối ưu (Equation 2.23) đã giúp sai lệch bám xấp xỉ 0 chỉ sau 4 lần thử (Hình 2.5), sử dụng tín hiệu đặt r(t) = 0.3 sin(πt/T) + 0.1 sin(3πt/T). Những kết quả này chứng minh rằng ILC có thể được áp dụng thành công trong những trường hợp mà trước đây được coi là không thể hoặc rất khó khăn, mở rộng đáng kể phạm vi ứng dụng của ILC.

4. Replication protocol provided? Có, luận án đã cung cấp giao thức tái tạo (replication protocol) một cách chi tiết. Các phương pháp lý thuyết được trình bày rõ ràng với các công thức toán học cụ thể (ví dụ: Equation 2.5, 2.11, 2.23, 2.26, 2.27). Quan trọng hơn, luận án "kèm theo mã nguồn trong phụ lục" (trang 26, 30, 35) cho các chương trình mô phỏng MatLab (Sim1.m, Sim2.m, Sim3.m). Các chương trình này chứa cài đặt các mô hình hệ thống (ví dụ: Equation 2.12, 2.13, 2.40), các thuật toán ILC được đề xuất, và các tham số mô phỏng (ví dụ: chu kỳ T = 100s, tần số lấy mẫu Ts = 0.1s, tín hiệu đặt r(t)). Với mã nguồn và các thông số cài đặt rõ ràng, bất kỳ nhà nghiên cứu nào cũng có thể tái tạo lại các kết quả mô phỏng đã được trình bày trong luận án để kiểm tra tính hợp lệ.

5. 10-year research agenda outlined? Có, luận án đã phác thảo một chương trình nghiên cứu 10 năm thông qua phần "Future Research Agenda" (Chương 6.2). Chương trình này bao gồm 5 hướng nghiên cứu cụ thể và có tính chiến lược:

1. Mở rộng ILC online không mô hình cho hàm học phi tuyến: Nghiên cứu phát triển các thuật toán xác định tham số online không mô hình cho các hàm học phi tuyến.
2. Tích hợp học tăng cường (Reinforcement Learning) với ILC: Khám phá sự kết hợp giữa ILC và học tăng cường để "học" từ phần thưởng/hình phạt.
3. Triển khai thực nghiệm trên phần cứng: Tiến hành các thí nghiệm thực tế trên các nền tảng vật lý như robot hoặc CSTR quy mô nhỏ.
4. Phát triển các điều kiện hội tụ ILC cho hệ thống đa tác tử/phân tán: Mở rộng ILC online không mô hình cho các hệ thống robot hợp tác hoặc mạng lưới cảm biến-chấp hành.
5. Nghiên cứu về tính vững chắc của ILC không mô hình trước các bất định lớn và tấn công mạng: Điều tra khả năng chống chịu của ILC trước thay đổi đột ngột hoặc các cuộc tấn công.

Các hướng này không chỉ giải quyết các hạn chế hiện tại của luận án mà còn định hướng cho các nghiên cứu tiên tiến hơn trong lĩnh vực điều khiển thông minh, đảm bảo sự phát triển liên tục và có tầm nhìn trong thập kỷ tới.

Kết luận

Luận án này đã tạo ra những tiến bộ đáng kể trong lĩnh vực Điều khiển Học lặp (ILC), đặc biệt trong việc mở rộng khả năng áp dụng của nó cho các hệ thống công nghiệp phức tạp, phi tuyến và không ổn định. Những đóng góp chính, được hỗ trợ bởi bằng chứng lý thuyết và mô phỏng chặt chẽ, bao gồm:

1. Phát triển các điều kiện hội tụ ILC trực tiếp trong miền phức: Luận án đã xác định thành công các điều kiện đủ để chọn tham số hàm học tuyến tính (kiểu P) từ hàm truyền của hệ SISO và ma trận hàm truyền của hệ MIMO (Equation 2.5, 2.11), khắc phục hạn chế của các phương pháp truyền thống khi CB=0 hoặc CˆBˆ=0.
2. Thiết kế thuật toán xác định tham số hàm học online và "thông minh" không dựa trên mô hình: Luận án giới thiệu một phương pháp mới (Equation 2.26, 2.27) cho phép điều chỉnh tham số học Kk thích nghi tại mỗi chu kỳ mà không cần biết mô hình toán, tối ưu hóa theo tiêu chuẩn cực tiểu hóa tổng bình phương sai lệch bám.
3. Đề xuất giải pháp tuyến tính hóa phản hồi và ổn định hóa không cần mô hình: Luận án tiên phong trong việc sử dụng ước lượng đạo hàm từ dữ liệu đo được (dựa trên phân tích Taylor) để tuyến tính hóa và ổn định hóa các hệ phi tuyến không ổn định (Chương 2.4), mở đường cho việc áp dụng trực tiếp ILC.
4. Kiểm chứng hiệu quả trên robot công nghiệp và hệ CSTR: Các phương pháp đề xuất đã được áp dụng và xác nhận thành công trên các mô hình robot công nghiệp (đáp ứng nhanh) và hệ CSTR (đáp ứng chậm), chứng minh hiệu suất vượt trội và khả năng bám chính xác tín hiệu đặt trong các bối cảnh công nghiệp đa dạng.
5. Nâng cao tính tự chủ và khả năng chống bất định của ILC: Bằng cách loại bỏ sự phụ thuộc vào mô hình cho việc chỉnh định tham số và ổn định hóa, luận án đã nâng cao đáng kể tính "thông minh" và độ vững chắc của ILC trước các bất định và thay đổi động học của hệ thống.

Những đóng góp này đại diện cho một sự tiến bộ đáng kể trong paradigm của ILC, dịch chuyển từ cách tiếp cận phụ thuộc mô hình sang một khuôn khổ linh hoạt và tự trị hơn. Luận án đã mở ra ít nhất 3 luồng nghiên cứu mới: 1) ILC trong miền tần số và tối ưu hóa online không mô hình, 2) Các phương pháp ổn định hóa hệ phi tuyến không cần mô hình cho ILC, và 3) Việc tích hợp các kỹ thuật học máy và học tăng cường vào ILC.

Với tính liên quan toàn cầu của các vấn đề điều khiển trong công nghiệp, những kết quả này có thể có tác động sâu rộng. Chúng cung cấp các giải pháp thiết thực cho các quốc gia đang phát triển và các ngành công nghiệp muốn cải thiện hiệu suất, giảm chi phí vận hành và tăng cường khả năng cạnh tranh mà không cần đầu tư lớn vào việc xây dựng hoặc cập nhật mô hình hệ thống phức tạp. Legacy của luận án là cung cấp các công cụ ILC mạnh mẽ, có thể đo lường được hiệu quả, giúp thúc đẩy quá trình chuyển đổi số và tự động hóa trong kỷ nguyên công nghiệp 4.0 trên phạm vi toàn cầu.