Luận án tiến sĩ: Nâng cao chất lượng điều khiển bám quỹ đạo AUV

AUV hoạt động tự động không cần điều khiển từ xa, phù hợp cho khảo sát địa hình đáy biển, giám sát môi trường. ROV được điều khiển qua cáp từ tàu mẹ, thích hợp cho tác nghiệp sâu, kiểm tra kết cấu công trình ngầm. Cả hai loại đều cần hệ thống điều khiển bám quỹ đạo chính xác. Mô hình động lực học 6 bậc tự do mô tả chuyển động phức tạp trong không gian ba chiều. Các lực tác động bao gồm lực đẩy, lực cản, lực nổi, lực khối nước kèm. Hệ tọa độ gắn liền và hệ tọa độ địa lý được sử dụng để biểu diễn vị trí và vận tốc.

Mô hình toán học mô tả sáu bậc tự do: surge, sway, heave (tịnh tiến), roll, pitch, yaw (quay). Ma trận quán tính M_RB biểu diễn đặc tính khối lượng của phương tiện. Ma trận hướng tâm Coriolis C_RB mô tả lực ly tâm và Coriolis. Lực cản phi tuyến phụ thuộc bình phương vận tốc, ảnh hưởng lớn đến chuyển động. Lực khối nước kèm phát sinh khi phương tiện gia tốc trong chất lỏng. Mô hình chính xác là nền tảng cho thiết kế bộ điều khiển hiệu quả.

Môi trường biển tạo nhiều thách thức cho điều khiển bám quỹ đạo. Dòng chảy thay đổi gây nhiễu liên tục, làm lệch궤 đạo mong muốn. Tính phi tuyến mạnh của mô hình động lực học khó xử lý bằng phương pháp tuyến tính. Tham số mô hình thay đổi theo tải trọng, độ sâu hoạt động. Trễ động cơ và bánh lái ảnh hưởng đến đáp ứng hệ thống. Yêu cầu tiết kiệm năng lượng hạn chế tín hiệu điều khiển. Cần phương pháp điều khiển phi tuyến robust, thích nghi với điều kiện thực tế.

Bộ điều khiển PID tính toán tín hiệu điều khiển từ sai số giữa궤 đạo mong muốn và thực tế. Hệ số K_p xác định độ mạnh phản ứng tỷ lệ với sai số. Hệ số K_i điều chỉnh tốc độ tích lũy sai số theo thời gian. Hệ số K_d kiểm soát mức độ phản ứng với tốc độ thay đổi sai số. Việc chọn ba hệ số này ảnh hưởng trực tiếp đến chất lượng điều khiển. Phương pháp Ziegler-Nichols cung cấp quy tắc bước đầu. Tối ưu hóa bằng thuật toán di truyền, PSO cho kết quả tốt hơn.

Adaptive control kết hợp với PID để xử lý thay đổi tham số mô hình. Hệ số PID được điều chỉnh trực tuyến dựa trên sai số bám. Luật thích nghi sử dụng lý thuyết Lyapunov đảm bảo ổn định. Phương pháp ước lượng tham số xác định đặc tính động lực học thực tế. Fuzzy logic control kết hợp với PID tạo bộ điều khiển mờ thông minh. Quy tắc mờ điều chỉnh hệ số PID theo tình huống vận hành. Cách tiếp cận này cải thiện khả năng chống nhiễu, tăng độ chính xác bám.

PID controller có ưu điểm dễ hiểu, dễ cài đặt, không cần mô hình chính xác. Chi phí tính toán thấp, phù hợp với vi điều khiển có tài nguyên hạn chế. Độ tin cậy cao qua nhiều thập kỷ ứng dụng công nghiệp. Nhược điểm là hiệu suất kém với hệ phi tuyến mạnh. Khó xử lý nhiễu lớn và thay đổi đột ngột. Không đảm bảo ổn định toàn cục cho mô hình phức tạp. Cần kết hợp với phương pháp khác để nâng cao chất lượng điều khiển AUV.

Mặt trượt được định nghĩa là hàm tuyến tính của sai số và đạo hàm sai số. Hệ số mặt trượt xác định động thái hội tụ về cân bằng. Điều kiện đạt được yêu cầu đạo hàm mặt trượt âm xác định. Hàm Lyapunov được sử dụng để chứng minh ổn định. Với mô hình động lực học 6 bậc tự do, cần thiết kế sáu mặt trượt độc lập. Mặt trượt cho surge, sway, heave điều khiển vị trí. Mặt trượt cho roll, pitch, yaw điều khiển hướng.

Luật điều khiển chuyển mạch sử dụng hàm sign của mặt trượt. Độ lớn chuyển mạch phải lớn hơn cận trên nhiễu và bất định. Phương pháp ước lượng cận trên giảm bảo thủ trong thiết kế. Adaptive sliding mode control điều chỉnh độ lớn chuyển mạch trực tuyến. Kỹ thuật này giảm chattering, tiết kiệm năng lượng điều khiển. Backstepping control kết hợp với sliding mode xử lý cấu trúc cascade. Phương pháp tích hợp tận dụng ưu điểm cả hai cách tiếp cận.

Chattering gây mài mòn cơ cấu chấp hành, tăng tiêu thụ năng lượng. Lớp biên thay thế hàm sign bằng hàm bão hòa trong vùng mỏng quanh mặt trượt. Độ dày lớp biên là thỏa hiệp giữa chattering và độ chính xác. Higher-order sliding mode giảm chattering bằng làm mịn tín hiệu. Super-twisting algorithm là dạng phổ biến, không cần đạo hàm mặt trượt. Kết hợp observer ước lượng nhiễu để bù trừ, giảm độ lớn chuyển mạch. Phương pháp này cải thiện đáng kể chất lượng điều khiển thực tế.

Backstepping bắt đầu từ subsystem ngoài cùng, lùi dần về đầu vào thực. Mỗi bước định nghĩa biến trạng thái ảo làm đầu vào cho subsystem trước. Sai số giữa biến ảo và giá trị mong muốn được ổn định. Hàm Lyapunov tăng dần, bao gồm tất cả sai số các bước. Đạo hàm Lyapunov âm xác định chứng minh ổn định tiệm cận. Adaptive backstepping xử lý tham số không chắc chắn bằng luật cập nhật. Phương pháp này đặc biệt hiệu quả cho mô hình động lực học 6 bậc tự do AUV.

MPC giải bài toán tối ưu hóa tại mỗi bước thời gian. Mô hình dự báo tính toán궤 đạo tương lai trên horizon N bước. Hàm mục tiêu tích phân bình phương sai số bám và tín hiệu điều khiển. Ràng buộc bao gồm giới hạn góc bánh lái, tốc độ thay đổi. Thuật toán tối ưu hóa như SQP, interior-point tìm nghiệm tối ưu. Chỉ bước đầu tiên của chuỗi điều khiển được áp dụng. Quá trình lặp lại với thông tin đo mới tạo feedback. MPC xử lý tốt ràng buộc, tối ưu hiệu suất đa mục tiêu.

Fuzzy logic control mô phỏng cách suy luận của chuyên gia điều khiển. Biến đầu vào được fuzzification thành các tập mờ. Quy tắc IF-THEN mã hóa tri thức điều khiển dựa kinh nghiệm. Cơ chế suy diễn kết hợp các quy tắc được kích hoạt. Defuzzification chuyển đổi kết quả mờ thành tín hiệu điều khiển rõ. Fuzzy PID điều chỉnh hệ số PID theo tình huống vận hành. Fuzzy sliding mode giảm chattering bằng làm mịn thông minh. Phương pháp này cải thiện khả năng thích nghi với điều kiện phức tạp.

Mô hình AUV trong Simulink bao gồm khối động lực học, cảm biến, điều khiển. Khối động lực học tích phân phương trình chuyển động 6 bậc tự do. Cảm biến IMU đo gia tốc, vận tốc góc với nhiễu trắng. DVL đo vận tốc tương đối với đáy biển. GPS cung cấp vị trí khi nổi mặt. Dòng chảy được mô hình hóa theo số liệu thực tế vùng hoạt động. Tham số mô hình AUV lấy từ tài liệu kỹ thuật hoặc nhận dạng hệ thống. Bước thời gian mô phỏng đủ nhỏ đảm bảo độ chính xác số.

Kịch bản 1 kiểm tra bám궤 đạo thẳng với nhiễu dòng chảy không đổi. Kịch bản 2 đánh giá khả năng bám đường cong phức tạp. Kịch bản 3 thử nghiệm với dòng chảy thay đổi theo thời gian. Kịch bản 4 mô phỏng thay đổi tham số do thay đổi tải trọng. Sai số bám RMS được tính trên toàn bộ궤 đạo. Thời gian ổn định đo từ lúc bắt đầu đến khi sai số dưới ngưỡng. Năng lượng điều khiển tích phân bình phương tín hiệu bánh lái. So sánh định lượng xác định phương pháp tốt nhất cho từng tình huống.

Kết quả mô phỏng cho thấy sliding mode có độ chính xác cao nhất. Backstepping đạt thời gian quá độ nhanh, ít vọt lố. MPC tối ưu năng lượng nhưng yêu cầu tính toán lớn. PID thích nghi cải thiện đáng kể so với PID truyền thống. Fuzzy sliding mode giảm chattering hiệu quả, tăng độ mượt tín hiệu. Thực nghiệm trên mô hình thu nhỏ xác nhận tính khả thi. Sai số thực tế lớn hơn mô phỏng do nhiễu cảm biến, trễ hệ thống. Kết quả chứng minh phương pháp đề xuất nâng cao chất lượng điều khiển bám quỹ đạo AUV.

AUV trang bị sonar đa tia lập bản đồ 3D đáy biển độ phân giải cao. Magnetometer phát hiện vật thể kim loại chìm dưới trầm tích. Camera quang học chụp ảnh sinh vật, rạn san hô. Cảm biến CTD đo profile nhiệt độ, độ mặn theo độ sâu. Điều khiển bám chính xác đảm bảo phủ sóng đầy đủ khu vực khảo sát. Quỹ đạo lawnmower pattern tối ưu thời gian, tiết kiệm năng lượng. Dữ liệu thu thập phục vụ nghiên cứu khoa học, quản lý tài nguyên biển.

Nhiều AUV làm việc phối hợp tăng hiệu suất, độ tin cậy. Thuật toán đàn robot phân bổ nhiệm vụ, tránh va chạm. Giao tiếp thủy âm chia sẻ thông tin giữa các phương tiện. Leader-follower formation điều khiển đội hình di chuyển. Consensus algorithm đồng bộ hóa hành động toàn đàn. Điều khiển phân tán giảm phụ thuộc vào trung tâm điều khiển. Khả năng chịu lỗi duy trì hoạt động khi một số AUV hỏng. Công nghệ này mở ra khả năng khảo sát diện rộng, thời gian ngắn.

Machine learning học mô hình động lực học từ dữ liệu thực tế. Neural network xấp xỉ hàm phi tuyến phức tạp trong điều khiển. Reinforcement learning tối ưu chính sách điều khiển qua thử nghiệm. Deep Q-network học chiến lược bám궤 đạo tối ưu. Transfer learning chia sẻ kiến thức giữa các AUV khác nhau. Computer vision nhận dạng vật thể, tránh chướng ngại vật tự động. Explainable AI giúp hiểu quyết định của hệ thống điều khiển. Sự kết hợp AI và điều khiển cổ điển tạo hệ thống thông minh, hiệu quả cao.