Fault-Tolerant Control Non-Sinusoidal Multiphase PMSM Drives for Automotive

Tổng quan về luận án

Luận án này tiên phong trong việc giải quyết các thách thức then chốt của ngành kỹ thuật điện, đặc biệt trong lĩnh vực điện khí hóa giao thông. Bối cảnh khoa học của nghiên cứu được đặt trong nhu cầu cấp thiết về các hệ thống truyền động điện hiệu quả, bền bỉ và an toàn cho các phương tiện điện hóa (EVs), bao gồm xe điện thuần túy và xe hybrid. Nghiên cứu tập trung vào các hệ thống truyền động máy điện đồng bộ nam châm vĩnh cửu (PMSM) nhiều pha, vốn được công nhận là ứng cử viên tiềm năng để đáp ứng các yêu cầu khắt khe của thị trường ô tô như hiệu suất cao, mật độ công suất và mô-men xoắn thể tích lớn, chi phí thấp nhưng an toàn, độ tin cậy chức năng cao, chất lượng mô-men xoắn vượt trội và khả năng điều khiển giảm từ thông (flux-weakening control). Tính tiên phong của luận án nằm ở việc phát triển và tinh chỉnh các chiến lược điều khiển chịu lỗi (fault-tolerant control – FTC) cho các hệ thống truyền động PMSM nhiều pha có sóng sức điện động phản kháng (back-EMF) phi điều hòa, đồng thời tích hợp các ràng buộc nghiêm ngặt về dòng điện và điện áp.

Research gap cụ thể mà luận án này giải quyết là sự thiếu hụt các chiến lược FTC toàn diện và tối ưu cho các hệ thống truyền động PMSM nhiều pha có back-EMF phi điều hòa, đặc biệt khi phải tuân thủ các ràng buộc vận hành thực tế do bộ biến tần và máy điện quy định. Các nghiên cứu hiện có thường tập trung vào back-EMF điều hòa hoặc bỏ qua việc tối ưu hóa hiệu suất dưới các ràng buộc dòng điện và điện áp, đặc biệt trong vùng giảm từ thông. Như đã nêu trong phần "Multiphase Drives: Opportunities and State of the Art" của luận án, "Different from three-phase drives, flux-weakening strategies cannot be analytically expressed in multiphase drives due to too many currents in d-q frames. Therefore, flux-weakening operations in multiphase drives can be implemented by imposing constraints on current and voltage." Điều này chỉ ra một khoảng trống đáng kể trong việc phát triển các phương pháp tiếp cận có hệ thống để tối ưu hóa hiệu suất trong các điều kiện như vậy. Hơn nữa, mặc dù các máy nhiều pha cung cấp "more degrees of freedom (DoF) for control and design," việc khai thác tối đa những DoF này để đạt được sự cân bằng tối ưu giữa chất lượng mô-men xoắn, tổn thất đồng và phạm vi tốc độ, đặc biệt trong chế độ lỗi, vẫn là một thách thức lớn.

Luận án này đặt ra các câu hỏi nghiên cứu và giả thuyết chính sau:

1. RQ1: Làm thế nào để phát triển một tập hợp các chiến lược điều khiển chịu lỗi hiệu quả cho các hệ thống truyền động PMSM nhiều pha có back-EMF phi điều hòa dưới điều kiện lỗi mạch hở (Open Circuit – OC), đồng thời tôn trọng các ràng buộc dòng điện RMS và điện áp đỉnh?
2. RQ2: Các chiến lược điều khiển chịu lỗi được đề xuất khác nhau sẽ ảnh hưởng như thế nào đến chất lượng mô-men xoắn, tổn thất đồng và phạm vi tốc độ trong chế độ lỗi?
3. RQ3: Trí tuệ nhân tạo, cụ thể là các mạng nơ-ron tuyến tính thích nghi (ADALINE), có thể được tích hợp như thế nào để tinh chỉnh hiệu suất điều khiển và mô-men xoắn của các hệ thống truyền động PMSM nhiều pha, cả trong chế độ khỏe mạnh và chế độ lỗi, bằng cách bù trừ các sóng hài back-EMF không mong muốn và phi tuyến tính của bộ biến tần?
4. RQ4: Các phương pháp điều khiển chịu lỗi và tăng cường hiệu suất được đề xuất có thể được xác thực thực nghiệm một cách hiệu quả trên một hệ thống truyền động PMSM bảy pha với back-EMF phi điều hòa phức tạp như thế nào?

H1: Việc áp dụng các chiến lược FTC dựa trên mô hình toán học và tối ưu hóa dưới ràng buộc dòng điện/điện áp sẽ cho phép PMSM nhiều pha hoạt động liên tục trong điều kiện lỗi OC với hiệu suất chấp nhận được và phạm vi tốc độ mở rộng. H2: Các ADALINE có khả năng tự học và hội tụ nhanh chóng có thể bù đắp hiệu quả các sóng hài dòng điện và mô-men xoắn do back-EMF phi điều hòa và phi tuyến tính của bộ biến tần gây ra, từ đó cải thiện đáng kể chất lượng điều khiển và mô-men xoắn trong cả hai chế độ khỏe mạnh và lỗi. H3: Một phân tích so sánh có hệ thống về các tùy chọn điều khiển chịu lỗi sẽ làm nổi bật các sự đánh đổi rõ ràng giữa chất lượng mô-men xoắn, tổn thất và phạm vi tốc độ, cung cấp cơ sở để lựa chọn chiến lược tối ưu cho các ứng dụng cụ thể.

Khung lý thuyết của luận án được xây dựng dựa trên các lý thuyết nền tảng về điều khiển máy điện và hệ thống điện tử công suất. Cụ thể, nó tích hợp sâu sắc:

• Lý thuyết Điều khiển Định hướng Trường (Field-Oriented Control – FOC): Được mở rộng để xử lý các máy nhiều pha bằng cách sử dụng phép biến đổi Clarke và Park để phân tách thành các máy giả tưởng và các khung tham chiếu độc lập (như đã thảo luận trong Mục 1.2 và 1.3 của luận án).
• Lý thuyết Mô hình toán học về máy điện nhiều pha: Được trình bày chi tiết trong Mục 1.2, bao gồm mô hình khung tự nhiên, mô hình khung tham chiếu stator được tách rời và mô hình khung tham chiếu rotor (d-q frame). Các phép biến đổi Clarke (Eq. 1.3) và Park (Eq. 1.8) là trung tâm để phân tích hệ thống.
• Lý thuyết Biểu diễn vĩ mô năng lượng (Energetic Macroscopic Representation – EMR): Được sử dụng để mô hình hóa và điều khiển toàn bộ hệ thống truyền động (Fig. 2.5, Fig. 2.6), cung cấp một cách tiếp cận trực quan và có cấu trúc.
• Lý thuyết về Mạng Nơ-ron Nhân tạo (Artificial Neural Networks): Đặc biệt là ADALINE (Mục 3.1), được áp dụng để tăng cường khả năng thích ứng và loại bỏ sóng hài trong hệ thống.

Đóng góp đột phá của luận án bao gồm:

1. Khung điều khiển chịu lỗi toàn diện cho máy PMSM phi điều hòa: Đề xuất ba phương pháp chính (I, II, III) với nhiều tùy chọn điều khiển chi tiết (ví dụ, Method (I)-1, (I)-2, (I)-3) cho các hệ thống truyền động máy điện nhiều pha dưới lỗi OC. Các phương pháp này được phát triển để tối ưu hóa hiệu suất dưới ràng buộc dòng điện RMS và điện áp đỉnh, đặc biệt trong vùng giảm từ thông. Tác động được định lượng qua việc "Optimal post-fault torque-speed characteristics (a), all RMS phase currents (b) and all peak phase voltages (c), in terms of speed under constraints on RMS current and peak voltage with methods (I)-1, (I)-2, and (I)-3 when phase A is open-circuited" (Fig. 2.31).
2. Ứng dụng đột phá của ADALINE trong điều khiển máy điện: Tích hợp các ADALINE để loại bỏ sóng hài dòng điện trong các khung quay (rotating frames) và trực tiếp loại bỏ các gợn mô-men xoắn (torque ripples) trong cả chế độ khỏe mạnh và lỗi. Điều này mang lại một giải pháp tự học, hội tụ nhanh chóng, và đơn giản để cải thiện chất lượng điều khiển, giải quyết các ảnh hưởng của sóng hài back-EMF không mong muốn và phi tuyến tính của bộ biến tần. "Experimental result) Torques in one period at 20 rad/s in healthy mode after the eliminations of current harmonics in rotating frames" (Fig. 3.11) và "Experimental result) The optimal calculated torque-speed characteristics (a), the experimental torque-speed characteristics without (b) and with (c) the torque ripple elimination when phase A is open-circuited" (Fig. 3.19) cung cấp bằng chứng cụ thể về tác động này.
3. Hệ thống phân tích so sánh và tối ưu hóa đa mục tiêu: Cung cấp một phân tích định lượng và so sánh sâu sắc về các chiến lược điều khiển chịu lỗi khác nhau dựa trên các tiêu chí như mô-men xoắn trung bình, gợn mô-men xoắn, tổn thất đồng và phạm vi tốc độ. Việc sử dụng "radar charts" (Fig. 2.58) thể hiện một cách tiếp cận độc đáo để trực quan hóa sự đánh đổi hiệu suất.
4. Xác thực thực nghiệm trên hệ thống bảy pha phức tạp: Tất cả các chiến lược được đề xuất đều được xác thực nghiêm ngặt trên một hệ thống truyền động PMSM bảy pha thực tế với back-EMF phi điều hòa phức tạp, có nhiều sóng hài. Điều này đảm bảo tính khả thi và ứng dụng thực tế của nghiên cứu. "Experimental results verify the effectiveness of the proposed strategies, and their applicability in a multiphase machine with a complex non-sinusoidal back-EMF" (Abstract).

Phạm vi nghiên cứu (Scope) của luận án tập trung vào các hệ thống truyền động PMSM nhiều pha, đặc biệt sử dụng một máy PMSM bảy pha thực nghiệm (experimental seven-phase PMSM drive) để xác thực. Các chiến lược điều khiển được thiết kế để hoạt động trong cả chế độ khỏe mạnh và chế độ lỗi mạch hở (OC fault), với trọng tâm là một lỗi OC pha đơn. Khung thời gian nghiên cứu bao gồm việc phát triển các mô hình lý thuyết, thiết kế các bộ điều khiển, và xác thực thực nghiệm trong suốt ba năm chín tháng (Acknowledgments). Ý nghĩa của nghiên cứu (Significance) là rất lớn đối với ngành công nghiệp ô tô và hệ thống truyền động điện, mang lại các giải pháp cải thiện độ tin cậy, hiệu suất và khả năng mở rộng phạm vi tốc độ, đồng thời giảm thiểu chi phí và tăng cường an toàn, đáp ứng sáu yêu cầu chính của EVs được nêu trong phần Giới thiệu.

Literature Review và Positioning

Tổng quan tài liệu của luận án trình bày một phân tích tổng hợp sâu rộng về các luồng nghiên cứu chính liên quan đến điều khiển máy điện nhiều pha. Luận án ghi nhận các nghiên cứu ban đầu về máy điện nhiều pha, bắt đầu với một máy cảm ứng năm pha (five-phase IM) được đề xuất vào năm 1969 bởi [19], và sự gia tăng đáng kể trong những thập kỷ gần đây nhờ sự tiến bộ của điện tử công suất và bộ xử lý tín hiệu số [20-23].

Các kỹ thuật điều khiển chính được tổng hợp bao gồm:

• Điều khiển Định hướng Trường (Field-Oriented Control – FOC): Là kỹ thuật phổ biến nhất, dựa trên các phép biến đổi trực giao để phân tách máy nhiều pha thành các máy giả tưởng và các khung tham chiếu độc lập. Các nghiên cứu gần đây về FOC cho máy cảm ứng năm pha và máy cảm ứng ba pha kép với MMF điều hòa [66-68], cũng như việc điều khiển MMF phi điều hòa [69-74], được ghi nhận. Đối với PMSM nhiều pha, các nghiên cứu FOC cho máy ba pha, năm pha, ba pha kép và bảy pha với các cấu trúc cuộn dây stator khác nhau đã được đề xuất bởi [29, 46, 53-55, 75-90]. Đặc biệt, nghiên cứu [55, 83] giới thiệu một máy PMSM năm pha hai sóng hài với sóng hài bậc ba trội của back-EMF, cho phép khai thác các sóng hài dòng điện tương ứng để tạo ra hộp số điện từ.
• Điều khiển Mô-men xoắn Trực tiếp (Direct Torque Control – DTC): DTC, được giới thiệu bởi [91-93], tập trung vào việc ước tính và điều khiển trực tiếp từ thông và mô-men xoắn mà không cần vòng lặp điều khiển dòng điện bên trong. Luận án phân loại DTC thành ST-DTC (Switching Table DTC) và PWM-DTC (Pulse Width Modulation DTC). Các nghiên cứu về ST-DTC cho máy cảm ứng năm pha và sáu pha không đối xứng được tìm thấy trong [95-97], và cho PMSM năm pha trong [98, 99]. Ứng dụng của PWM-DTC được ghi nhận trong [101] cho truyền động động cơ cảm ứng ba pha kép.
• Điều khiển Dự đoán dựa trên Mô hình (Model-based Predictive Control – MPC): Là một kỹ thuật đầy hứa hẹn, được phân loại thành CCS-MPC (Continuous Control Set MPC) và FCS-MPC (Finite Control Set MPC). Các nghiên cứu về MPC cho máy cảm ứng sáu pha không đối xứng [103, 104], máy cảm ứng năm pha [105-107], và PMSM năm pha [108, 109] đã được xem xét, bao gồm cả các giới hạn về dòng điện và điện áp.

Luận án cũng chi tiết hóa các loại lỗi có thể xảy ra trong truyền động nhiều pha, đặc biệt tập trung vào lỗi OC, vốn phổ biến hơn lỗi SC [31, 110], và hệ quả của chúng đối với dòng điện không kiểm soát và mô-men xoắn dao động [78, 118-121].

Mâu thuẫn/tranh luận chính trong tài liệu: Một mâu thuẫn nổi bật trong tài liệu là sự đánh đổi giữa chất lượng mô-men xoắn và các tiêu chí hiệu suất khác, đặc biệt trong chế độ lỗi. Ví dụ, trong khi FOC có thể đạt được chất lượng mô-men xoắn cao với dòng điện d-q không đổi, nó trở nên phức tạp trong các chế độ lỗi hoặc với back-EMF phi điều hòa. DTC cung cấp phản ứng mô-men xoắn nhanh nhưng có thể dẫn đến gợn mô-men xoắn cao hơn và tần số chuyển mạch thay đổi [23]. MPC mang lại tính linh hoạt nhưng đòi hỏi chi phí tính toán cao và sự chính xác của mô hình [23]. Một điểm tranh luận khác là việc khai thác các sóng hài back-EMF phi điều hòa. Một số nghiên cứu, như [55, 83], đã chứng minh rằng các sóng hài này có thể được sử dụng để mở rộng phạm vi tốc độ thông qua "electromagnetic pole changing". Tuy nhiên, việc điều khiển hiệu quả các sóng hài này để tối ưu hóa đồng thời mô-men xoắn, tổn thất và các ràng buộc vận hành trong chế độ lỗi vẫn là một thách thức lớn.

Định vị trong tài liệu và đóng góp: Luận án định vị mình bằng cách giải quyết một khoảng trống cụ thể: phát triển và tinh chỉnh các chiến lược FTC cho PMSM nhiều pha có back-EMF phi điều hòa, đồng thời tích hợp các ràng buộc thực tế về dòng điện và điện áp, và khai thác trí tuệ nhân tạo (ADALINE) để nâng cao hiệu suất. Mặc dù các nghiên cứu trước đây đã đề cập đến FTC hoặc điều khiển máy phi điều hòa, ít có nghiên cứu nào kết hợp một cách toàn diện cả ba yếu tố này với một phân tích so sánh hệ thống và xác thực thực nghiệm sâu rộng. Luận án này nâng cao lĩnh vực này bằng cách:

• Cung cấp một "general and systematic view" về các kỹ thuật điều khiển và chiến lược chịu lỗi hiện có, sau đó chỉ ra các hạn chế của chúng.
• Đề xuất các phương pháp FTC mới dựa trên mô hình toán học (Method I, II, III), vượt ra ngoài các phương pháp chỉ tập trung vào bảo toàn mô-men xoắn mà không tối ưu hóa các ràng buộc vận hành.
• Tiên phong tích hợp ADALINE để giải quyết các vấn đề thực tế như sóng hài dòng điện và gợn mô-men xoắn do các yếu tố phi lý tưởng gây ra (sóng hài back-EMF và phi tuyến bộ biến tần), một đóng góp lớn cho khả năng ứng dụng công nghiệp.
• Thực hiện một phân tích so sánh chi tiết, định lượng các sự đánh đổi giữa các chiến lược khác nhau (ví dụ, "Comparisons of three remarkable methods using radar charts" – Fig. 2.58), điều này còn thiếu trong nhiều công trình.

So sánh với ít nhất 2 nghiên cứu quốc tế:

1. So sánh với [55, 83]: Các nghiên cứu này của E. Semail và các cộng sự đã giới thiệu một máy PMSM năm pha hai sóng hài, tập trung vào việc khai thác sóng hài bậc ba của back-EMF để mở rộng phạm vi tốc độ thông qua "electromagnetic pole changing". Luận án này tiếp nối và mở rộng công trình này bằng cách không chỉ sử dụng back-EMF phi điều hòa mà còn phát triển các chiến lược FTC cho các máy như vậy trong điều kiện lỗi OC. Trong khi [55, 83] tập trung vào chế độ khỏe mạnh và mở rộng phạm vi tốc độ, luận án của chúng tôi bổ sung khía cạnh chịu lỗi và tích hợp AI để tối ưu hóa hiệu suất trong cả hai chế độ. Luận án của chúng tôi cũng sử dụng một máy bảy pha, phức tạp hơn máy năm pha trong các nghiên cứu đó.
2. So sánh với [108, 109]: Các nghiên cứu này đã khám phá MPC cho PMSM năm pha, có tính đến các giới hạn về dòng điện và điện áp. Tuy nhiên, các nghiên cứu này thường tập trung vào chế độ khỏe mạnh hoặc các dạng lỗi đơn giản hơn và có thể không đi sâu vào back-EMF phi điều hòa phức tạp hoặc tích hợp các kỹ thuật AI để học thích nghi như ADALINE. Luận án này cung cấp một khuôn khổ điều khiển chịu lỗi chi tiết hơn, được xác thực bằng thực nghiệm trên một máy bảy pha với back-EMF đa sóng hài, và đưa ra các giải pháp AI để xử lý các yếu tố phi lý tưởng trong thời gian thực, điều này vượt xa các cách tiếp cận MPC truyền thống. Cụ thể, trong khi [108, 109] xem xét giới hạn dòng điện/điện áp, luận án của chúng tôi đề xuất các phương pháp giải quyết tối ưu hóa hiệu suất dưới những ràng buộc này trong một "post-fault operation" phức tạp hơn, đồng thời tính toán "Optimal post-fault torque-speed characteristics" (Fig. 2.31).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lý thuyết điều khiển máy điện, đặc biệt trong bối cảnh các hệ thống truyền động nhiều pha có back-EMF phi điều hòa. Nghiên cứu mở rộng và thách thức một số lý thuyết cụ thể:

• Mở rộng lý thuyết Điều khiển Định hướng Trường (FOC) truyền thống: FOC truyền thống, được phát triển bởi Blaschke (1970) và Hasse (1968), chủ yếu dành cho máy điện ba pha với back-EMF điều hòa. Luận án này mở rộng FOC sang máy điện nhiều pha (n>3) với back-EMF phi điều hòa, nơi mà "multiharmonic" components đóng vai trò quan trọng. Cụ thể, nghiên cứu sử dụng phép biến đổi Clarke và Park tổng quát (Eq. 1.3, Eq. 1.8) để phân tách máy n pha thành nhiều máy giả tưởng (fictitious machines) và các khung tham chiếu d-q độc lập (Mục 1.2, 1.3). Điều này cho phép điều khiển độc lập các sóng hài dòng điện khác nhau để tối ưu hóa mô-men xoắn, giảm gợn mô-men xoắn và mở rộng phạm vi tốc độ. Việc xử lý đồng thời nhiều sóng hài dòng điện trong các khung d-q độc lập, như "currents in (d1-q1) frame... (d9-q9) frame... (d3-q3) frame" (Fig. 2.11, Fig. 2.12, Fig. 2.13), là một sự mở rộng quan trọng so với FOC đơn giản chỉ tập trung vào sóng hài cơ bản.
• Thách thức giả định về back-EMF điều hòa: Các lý thuyết điều khiển truyền thống thường giả định back-EMF điều hòa để đơn giản hóa việc điều khiển mô-men xoắn không đổi. Luận án này thách thức giả định đó bằng cách chứng minh rằng các máy có back-EMF phi điều hòa phức tạp (như máy bảy pha thực nghiệm với "the presence of multi-harmonics" – Abstract, Fig. 2.9) có thể được điều khiển hiệu quả để tạo ra mô-men xoắn không đổi hoặc có gợn thấp. Điều này mở ra khả năng thiết kế máy điện với "less constraints on their design" (Abstract), giảm chi phí sản xuất (ví dụ, cuộn dây stato tập trung răng – tooth concentrated stator windings [32, 33]) mà vẫn duy trì hiệu suất cao.
• Mở rộng lý thuyết Điều khiển chịu lỗi: Các lý thuyết điều khiển chịu lỗi hiện có thường cung cấp các phương pháp để duy trì hoạt động sau lỗi nhưng ít khi tích hợp tối ưu hóa toàn diện dưới các ràng buộc dòng điện/điện áp trong toàn bộ phạm vi hoạt động, bao gồm cả vùng giảm từ thông. Luận án này mở rộng lý thuyết bằng cách đề xuất các chiến lược FTC mới (Method I, II, III) không chỉ đảm bảo hoạt động liên tục mà còn tối ưu hóa hiệu suất (ví dụ, mô-men xoắn, tổn thất đồng) dưới các "constraints on current and voltage" (Abstract). Điều này cung cấp một khung lý thuyết mạnh mẽ hơn cho việc thiết kế các hệ thống có độ tin cậy cao.
• Ứng dụng lý thuyết Mạng Nơ-ron Nhân tạo (ANN): Tích hợp lý thuyết của Rosenblatt (1958) về Perceptron và sau này là ADALINE vào điều khiển máy điện. Các ADALINE được sử dụng như một cơ chế học thích nghi để loại bỏ các sóng hài dòng điện và gợn mô-men xoắn (Mục 3.2, 3.3). Việc này mở rộng phạm vi ứng dụng của ANN từ nhận dạng mẫu sang điều khiển thời gian thực trong các hệ thống điện tử công suất công nghiệp, đặc biệt để xử lý các "unwanted back-EMF harmonics and the inverter nonlinearity" (Mục 3.2.1, 3.2.2).
• Lý thuyết Biểu diễn vĩ mô năng lượng (EMR): Luận án sử dụng EMR do Polynikiou et al. đề xuất, như một công cụ mạnh mẽ để mô hình hóa và điều khiển các hệ thống truyền động điện (Fig. 2.5, Fig. 2.6). EMR không chỉ là một công cụ mô hình hóa mà còn là một phương pháp tiếp cận lý thuyết cho việc thiết kế bộ điều khiển, cho phép "The general control scheme of a seven-phase PMSM drive with speed and current control represented by EMR" (Fig. 2.6).

Khung khái niệm (Conceptual framework) của luận án bao gồm các thành phần chính và mối quan hệ của chúng:

• Đầu vào: Các yêu cầu vận hành (tốc độ, mô-men xoắn), các ràng buộc của hệ thống (dòng điện, điện áp, nhiệt độ), và các trạng thái lỗi (ví dụ, lỗi OC pha A).
• Hệ thống truyền động PMSM nhiều pha phi điều hòa: Được mô hình hóa thành các máy giả tưởng trong các khung tham chiếu độc lập.
• Các Chiến lược Điều khiển chịu lỗi (Method I, II, III): Xử lý lỗi, tính toán các tham chiếu dòng điện mới để duy trì hoạt động.
• Bộ tối ưu hóa dưới ràng buộc: Đảm bảo các tham số vận hành không vượt quá giới hạn cho phép, đặc biệt trong vùng giảm từ thông.
• Bộ tăng cường hiệu suất dựa trên AI (ADALINE): Tinh chỉnh hiệu suất bằng cách loại bỏ các sóng hài dòng điện và gợn mô-men xoắn.
• Đầu ra: Hiệu suất vận hành được cải thiện (mô-men xoắn trung bình cao hơn, gợn mô-men xoắn thấp hơn, tổn thất đồng thấp hơn), độ tin cậy chức năng cao, phạm vi tốc độ mở rộng.

Mô hình lý thuyết (Theoretical model) được cụ thể hóa thông qua các giả thuyết được đánh số:

• P1: Các chiến lược điều khiển chịu lỗi dựa trên việc định nghĩa các tham chiếu dòng điện mới từ các khung tham chiếu được tách rời (Method I), các ma trận biến đổi bậc thấp hơn (Method II), hoặc khung tự nhiên (Method III) có thể duy trì hoạt động với mô-men xoắn đáng kể và gợn thấp trong điều kiện lỗi OC.
• P2: Có một sự đánh đổi giữa mô-men xoắn trung bình, gợn mô-men xoắn, tổn thất đồng và phạm vi tốc độ giữa các tùy chọn điều khiển chịu lỗi khác nhau (ví dụ, Fig. 2.58).
• P3: Các ADALINE có thể học và bù đắp các sóng hài dòng điện và gợn mô-men xoắn gây ra bởi back-EMF phi điều hòa và phi tuyến của bộ biến tần, dẫn đến cải thiện chất lượng điều khiển và mô-men xoắn (ví dụ, Fig. 3.7, Fig. 3.11).
• P4: Việc tích hợp các ràng buộc dòng điện và điện áp vào quy trình tối ưu hóa là cần thiết để đảm bảo vận hành an toàn và mở rộng phạm vi giảm từ thông của hệ thống truyền động nhiều pha trong cả chế độ khỏe mạnh và lỗi (ví dụ, Fig. 2.10, Fig. 2.31).

Luận án này đề xuất một sự tiến bộ paradigm trong việc thiết kế và điều khiển máy điện cho EVs. Thay vì chỉ tập trung vào máy ba pha lý tưởng với back-EMF điều hòa, nghiên cứu này chứng minh tính khả thi và ưu điểm của việc sử dụng máy nhiều pha có back-EMF phi điều hòa. Bằng chứng từ các phát hiện cho thấy rằng "multiphase machines are considered as a suitable candidate for EVs" (Mục 1.1) do các đặc tính như "low power per phase rating for safe EVs," "fault-tolerant ability for high functional reliability," và "low ripple torques for smooth EVs." Việc tích hợp ADALINE đại diện cho một sự thay đổi từ điều khiển tĩnh, dựa trên mô hình sang điều khiển học thích nghi, giải quyết các yếu tố phi lý tưởng trong môi trường vận hành thực tế.

Khung phân tích độc đáo

Khung phân tích của luận án đặc biệt độc đáo nhờ sự tích hợp đa lý thuyết và phương pháp tiếp cận mới lạ.

Tích hợp lý thuyết (Integration of theories): Khung phân tích này tích hợp một cách mạnh mẽ ít nhất ba lý thuyết cụ thể:

1. Lý thuyết Điều khiển Định hướng Trường (FOC): Được mở rộng để xử lý các sóng hài dòng điện và back-EMF trong các khung d-q độc lập, như đã trình bày trong mục 1.3 về "Rotor reference frame model" và được áp dụng trong các phương pháp điều khiển chịu lỗi.
2. Lý thuyết Mô hình hóa hệ thống năng lượng bằng EMR: "Energetic Macroscopic Representation for modeling and control" (Mục 2.2.1, Fig. 2.5, Fig. 2.6) cung cấp một khung trực quan và có hệ thống để hiểu và thiết kế các bộ điều khiển cho toàn bộ hệ thống truyền động điện, bao gồm cả máy điện, bộ biến tần và các vòng điều khiển.
3. Lý thuyết về Mạng Nơ-ron Tuyến tính Thích nghi (ADALINE): Một nhánh của học máy, được tích hợp trực tiếp vào vòng điều khiển để xử lý các phi tuyến và sóng hài trong thời gian thực, điều này vượt xa các phương pháp bù sóng hài dựa trên mô hình truyền thống (Mục 3.1).

Cách tiếp cận phân tích mới lạ (Novel analytical approach): Cách tiếp cận phân tích của luận án là mới lạ ở chỗ nó kết hợp:

• Phân tách hệ thống phức tạp: Hệ thống nhiều pha được phân tách thành các máy giả tưởng trong các khung tham chiếu d-q độc lập (Table 2.1) để đơn giản hóa việc phân tích và thiết kế bộ điều khiển.
• Tối ưu hóa đa mục tiêu dưới ràng buộc: Các chiến lược điều khiển chịu lỗi được đề xuất không chỉ tập trung vào việc duy trì mô-men xoắn mà còn tối ưu hóa các yếu tố như tổn thất đồng và phạm vi tốc độ dưới các ràng buộc nghiêm ngặt về dòng điện và điện áp ("Optimal calculations under constraints on RMS current and peak voltage" – Mục 2.3.2, Fig. 2.10).
• Học thích nghi thời gian thực: Việc sử dụng ADALINE để "direct eliminations of torque ripples in healthy mode" (Mục 3.3) và "current control improvements in faulty mode with method (II)-RCA" (Mục 3.4.2) thể hiện một cách tiếp cận tiên tiến trong việc giải quyết các yếu tố phi lý tưởng của hệ thống mà không cần mô hình hóa chính xác chúng.

Đóng góp khái niệm (Conceptual contributions): Luận án đóng góp các định nghĩa và khái niệm mới hoặc được tinh chỉnh:

• "Control facilitation": Một khái niệm được sử dụng trong phân tích so sánh để đánh giá mức độ phức tạp của việc triển khai một chiến lược điều khiển chịu lỗi cụ thể (Mục 2.7.1).
• "Repartition coefficient vector (kR)": Được giới thiệu trong các phương pháp điều khiển chịu lỗi để xác định cách phân bổ dòng điện giữa các pha còn lại (Mục 2.4.1), cho phép linh hoạt trong việc tối ưu hóa các mục tiêu khác nhau.
• "Time-variant d-q current references": Một khái niệm được phát triển trong Method (II) để xử lý các tham chiếu dòng điện d-q thay đổi theo thời gian trong chế độ lỗi, điều này sau đó được tinh chỉnh bằng cách sử dụng ADALINE để tạo ra "time-constant d-q current references" (Mục 3.4.2).

Điều kiện biên (Boundary conditions): Luận án xác định rõ ràng các điều kiện biên của nghiên cứu:

• Số pha: Các phương pháp được phát triển chủ yếu cho máy điện n pha với n>3, và được xác thực bằng thực nghiệm trên máy bảy pha ("an experimental seven-phase PMSM drive" – Abstract).
• Loại lỗi: Tập trung vào lỗi mạch hở (Open Circuit – OC fault), đặc biệt là lỗi OC pha đơn, do tính phổ biến của chúng và việc chúng thường dẫn đến SC fault với các bảo vệ nội bộ [31, 110, 111].
• Đặc tính máy điện: Máy được giả định là có back-EMF phi điều hòa phức tạp và rotor không bị lồi (non-salient rotor) trong mô hình hóa ban đầu để đơn giản hóa ma trận tự cảm (Mục 1.2).
• Ứng dụng: Nhắm đến "automotive applications" với các yêu cầu đặc biệt về độ tin cậy, hiệu suất và phạm vi tốc độ.
• Điều kiện vận hành: Các chiến lược điều khiển được tối ưu hóa dưới "constraints on RMS current and peak voltage" (Abstract), đảm bảo an toàn và khả năng vận hành trong vùng giảm từ thông.

Phương pháp nghiên cứu tiên tiến

Nghiên cứu này áp dụng một phương pháp luận tiên tiến và toàn diện, kết hợp mô hình hóa lý thuyết sâu sắc, phát triển các chiến lược điều khiển phức tạp, tích hợp trí tuệ nhân tạo và xác thực thực nghiệm nghiêm ngặt.

Thiết kế nghiên cứu

• Triết lý nghiên cứu (Research philosophy): Luận án chủ yếu tuân theo chủ nghĩa thực chứng (positivism). Nghiên cứu tìm cách khám phá các quy luật cơ bản chi phối hoạt động của máy điện nhiều pha thông qua mô hình toán học (Eq. 1.1-1.10) và xác thực thực nghiệm có thể lặp lại. Mục tiêu là phát triển các chiến lược điều khiển có thể được khái quát hóa và áp dụng cho các hệ thống tương tự, dựa trên dữ liệu định lượng và bằng chứng từ các thử nghiệm lặp lại. Các phát hiện được trình bày dưới dạng dữ liệu định lượng (dòng điện, điện áp, mô-men xoắn, tốc độ) và được phân tích một cách khách quan, ví dụ, thông qua "Calculated result) Optimal torque-speed characteristic (a), all RMS phase currents (b), and all peak phase voltages (c)" (Fig. 2.10).

• Thiết kế hỗn hợp (Mixed methods): Mặc dù chủ yếu là định lượng, nghiên cứu có thể được coi là sử dụng một cách tiếp cận "mixed methods" trong nghĩa rộng, khi kết hợp:

  • Mô hình hóa và phân tích lý thuyết: Phát triển các mô hình toán học chi tiết của máy điện nhiều pha và các chiến lược điều khiển.
  • Mô phỏng: Mặc dù không được đề cập trực tiếp trong phần abstract/intro, các "Calculated results" (ví dụ, Fig. 2.10, Fig. 2.31) ngụ ý việc sử dụng mô phỏng để dự đoán hiệu suất.
  • Thực nghiệm: Phần lớn các phát hiện được xác thực thông qua các thử nghiệm thực tế trên một hệ thống truyền động bảy pha (ví dụ, "Experimental result) Torques in one period at 20 rad/s in healthy mode after the eliminations of current harmonics in rotating frames" – Fig. 3.11).

• Thiết kế đa cấp (Multi-level design): Thiết kế nghiên cứu có tính đa cấp, bao gồm:

  • Cấp hệ thống: Mô hình hóa và điều khiển toàn bộ hệ thống truyền động điện, bao gồm máy điện, bộ biến tần và các vòng điều khiển (ví dụ, Fig. 2.6 – EMR for general control scheme).
  • Cấp máy điện: Phân tách máy điện n pha thành các máy giả tưởng và các khung tham chiếu độc lập (ví dụ, Fig. 1.6, Fig. 1.7, Table 2.1 – fictitious machines of a seven-phase machine).
  • Cấp điều khiển: Phát triển các thuật toán điều khiển cụ thể (Method I, II, III) và tích hợp các kỹ thuật AI (ADALINE) để giải quyết các vấn đề ở cấp vi mô (sóng hài dòng điện, gợn mô-men xoắn) và cấp vĩ mô (tối ưu hóa mô-men xoắn-tốc độ, độ tin cậy).

• Kích thước mẫu và tiêu chí lựa chọn chính xác (Sample size and selection criteria EXACT): Kích thước mẫu ở đây không phải là mẫu thống kê người hay dữ liệu khảo sát, mà là "sample" của hệ thống vật lý được thử nghiệm. Nghiên cứu sử dụng một "experimental seven-phase PMSM drive" (Abstract) làm đối tượng nghiên cứu chính. Các đặc điểm kỹ thuật của máy điện này được cung cấp trong "Electrical parameters of the experimental seven-phase PMSM drive" (Table 2.2). Máy điện này được chọn vì nó "is complex with the presence of multi-harmonics" (Abstract), đại diện cho một kịch bản thử thách và thực tế đối với các chiến lược điều khiển.

Quy trình nghiên cứu nghiêm ngặt

• Chiến lược lấy mẫu (Sampling strategy): Trong bối cảnh kỹ thuật, "sampling" đề cập đến việc thu thập dữ liệu từ cảm biến. Luận án nhấn mạnh việc thu thập dữ liệu chính xác từ hệ thống thực nghiệm. Các tiêu chí bao gồm:

  • Inclusion criteria: Dữ liệu từ các cảm biến dòng điện, điện áp, tốc độ và mô-men xoắn của máy bảy pha trong cả chế độ khỏe mạnh và lỗi OC pha đơn.
  • Exclusion criteria: Bất kỳ dữ liệu nào bị lỗi do trục trặc cảm biến hoặc điều kiện thử nghiệm không hợp lệ.
  • Dữ liệu được thu thập ở các "variable speeds" (Fig. 3.9) và "variable current references" (Fig. 3.10) để đánh giá hiệu suất của bộ điều khiển trên một phạm vi hoạt động rộng.

• Giao thức thu thập dữ liệu (Data collection protocols): Dữ liệu được thu thập từ "Experimental test bench of the seven-phase PMSM drive" (Fig. 2.8). Các giao thức bao gồm:

  • Đo lường back-EMF không chuẩn hóa tốc độ và phổ sóng hài (Fig. 2.9) để đặc trưng hóa máy điện.
  • Đo lường dòng điện trong các khung d-q và pha, mô-men xoắn và điện áp pha dưới các chiến lược điều khiển khác nhau (ví dụ, Fig. 2.11 – dòng điện trong khung d1-q1; Fig. 2.15 – dòng điện pha).
  • Thực hiện các thử nghiệm trong các điều kiện lỗi OC pha A, với các cấu hình lại khác nhau và không có cấu hình lại (Fig. 2.14, Fig. 2.24).
  • Giao thức cho các thử nghiệm ADALINE bao gồm thu thập "harmonic weights" trong quá trình học (Fig. 3.8, Fig. 3.27) để đánh giá khả năng thích ứng.

• Tam giác hóa (Triangulation): Mặc dù không được đề cập rõ ràng bằng thuật ngữ "triangulation" trong phần abstract/intro, phương pháp luận của luận án cho thấy một hình thức tam giác hóa mạnh mẽ:

  • Tam giác hóa phương pháp (Methodological triangulation): Kết hợp mô hình hóa lý thuyết (Eq. 1.1-1.10), "optimal calculations" (Mục 2.3.2) và thực nghiệm ("experimental results" xuyên suốt các Chương 2 và 3).
  • Tam giác hóa dữ liệu (Data triangulation): Sử dụng các loại dữ liệu khác nhau như dòng điện, điện áp, mô-men xoắn, tốc độ và sóng hài để xác nhận các phát hiện.
  • Tam giác hóa lý thuyết (Theoretical triangulation): Áp dụng các lý thuyết điều khiển khác nhau (FOC, EMR, ANN) để phát triển và phân tích các giải pháp điều khiển.

• Độ tin cậy và hiệu lực (Validity and reliability): Luận án thể hiện sự chú ý đến độ tin cậy và hiệu lực:

  • Độ tin cậy (Reliability): Các kết quả thực nghiệm được trình bày dưới dạng "Calculated result" (ví dụ, Fig. 2.10) và "Experimental result" (ví dụ, Fig. 2.11) và được so sánh chặt chẽ (ví dụ, Table 2.3, Table 2.4, Table 2.7, v.v.), cho thấy khả năng tái lập của các thử nghiệm. Việc sử dụng các ADALINE với "fast convergence" (Abstract) cũng ngụ ý tính ổn định của giải pháp. Giá trị α (alpha values) không được cung cấp trong đoạn trích nhưng các so sánh định lượng được cung cấp.
  • Hiệu lực cấu trúc (Construct validity): Các mô hình toán học (Eq. 1.1-1.10) và khung EMR (Fig. 2.5, Fig. 2.6) được sử dụng để xây dựng các khái niệm và biến số điều khiển (dòng điện d-q, mô-men xoắn, sóng hài) một cách chặt chẽ.
  • Hiệu lực nội bộ (Internal validity): Các biến nhiễu (unwanted back-EMF harmonics, inverter nonlinearity) được xác định (Mục 3.2.1, 3.2.2) và được giải quyết một cách có hệ thống thông qua các bộ bù ADALINE, đảm bảo rằng những cải thiện hiệu suất thực sự là do các chiến lược điều khiển được đề xuất.
  • Hiệu lực bên ngoài (External validity): Luận án thảo luận về "applicability in a multiphase machine with a complex non-sinusoidal back-EMF" (Abstract), ngụ ý khả năng khái quát hóa các phát hiện cho các máy nhiều pha khác có đặc tính tương tự. Các "Generalizability conditions" sẽ được nêu rõ trong phần Implications.

Data và phân tích

• Đặc điểm mẫu (Sample characteristics): Hệ thống truyền động thử nghiệm bao gồm một máy PMSM bảy pha với các thông số điện cụ thể (Table 2.2). back-EMF của máy này là "complex with the presence of multi-harmonics" (Abstract), như được minh họa trong "measured speed-normalized back-EMF and harmonic spectrum" (Fig. 2.9).

• Kỹ thuật tiên tiến (Advanced techniques): Luận án sử dụng các kỹ thuật phân tích và điều khiển tiên tiến:

  • Phân tích sóng hài: Để định lượng back-EMF (Fig. 2.9) và dòng điện (Fig. 3.7, Fig. 3.8, Fig. 3.27).
  • Tối ưu hóa đa biến: Để xác định các tham chiếu dòng điện tối ưu dưới ràng buộc dòng điện RMS và điện áp đỉnh trong cả chế độ khỏe mạnh và lỗi (ví dụ, "Optimal torque-speed characteristic (a), all RMS phase currents (b), and all peak phase voltages (c)" – Fig. 2.10, Fig. 2.31).
  • Điều khiển thích nghi dựa trên ADALINE: Để học và bù đắp các thành phần sóng hài không mong muốn trong thời gian thực (Mục 3.2, 3.3, 3.4). Các ADALINE được sử dụng cho "eliminations of current harmonics in rotating frames" (Fig. 3.5) và "direct eliminations of torque ripples" (Fig. 3.12, Fig. 3.20).
  • Biểu đồ radar (Radar charts): Để so sánh đa tiêu chí giữa các phương pháp điều khiển khác nhau, bao gồm mô-men xoắn trung bình (Tave), gợn mô-men xoắn (ΔT) và tổn thất đồng (Ploss) (Fig. 2.58).
  • Phần mềm (Software): Mặc dù không nêu tên phần mềm cụ thể trong đoạn trích, việc thực hiện các "Calculated results" và "Real-time simulation result" (Fig. 3.13) ngụ ý việc sử dụng các công cụ mô phỏng và phân tích mạnh mẽ (ví dụ, MATLAB/Simulink).

• Kiểm tra tính mạnh mẽ (Robustness checks): Luận án so sánh kỹ lưỡng "optimal calculated results" với "experimental results" (Table 2.3, Fig. 2.10 vs. Fig. 2.11-2.13), cung cấp bằng chứng về tính mạnh mẽ của các chiến lược được đề xuất dưới các điều kiện thực tế. Các ADALINE, với khả năng tự học, về bản chất đã cung cấp một cơ chế để tăng cường tính mạnh mẽ của hệ thống đối với các nhiễu loạn và sự không chắc chắn.

• Kích thước hiệu ứng và khoảng tin cậy (Effect sizes and confidence intervals): Mặc dù các giá trị p và kích thước hiệu ứng cụ thể không được cung cấp trực tiếp trong các đoạn trích, các kết quả định lượng được báo cáo, chẳng hạn như "optimal calculated torque-speed characteristics" (Fig. 2.10a) và các giá trị RMS dòng điện/điện áp (Table 2.3), cho phép đánh giá định lượng tác động của các chiến lược. Các kết quả thực nghiệm như "Torque, torque harmonic weights, and current control performances with the ADALINE learning process (η=0.001) (a), and in one period from the 40th second at 20 rad/s (b) in healthy mode" (Fig. 3.16) cho thấy hiệu quả rõ ràng của phương pháp.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt, mang tính đột phá, được hỗ trợ bởi bằng chứng thực nghiệm và tính toán:

1. Tính khả thi của FTC toàn diện cho PMSM phi điều hòa dưới ràng buộc: Các chiến lược điều khiển chịu lỗi được đề xuất (Method I, II, III) đã được chứng minh là hiệu quả trong việc duy trì hoạt động của hệ thống truyền động PMSM bảy pha với back-EMF phi điều hòa phức tạp dưới lỗi OC pha đơn. Các phương pháp này không chỉ giữ được mô-men xoắn mà còn tối ưu hóa nó dưới các ràng buộc dòng điện RMS và điện áp đỉnh. "Calculated result) Optimal post-fault torque-speed characteristics (a), all RMS phase currents (b) and all peak phase voltages (c), in terms of speed under constraints on RMS current and peak voltage with methods (I)-1, (I)-2, and (I)-3 when phase A is open-circuited" (Fig. 2.31) cung cấp bằng chứng rõ ràng, cho thấy khả năng duy trì mô-men xoắn và phạm vi tốc độ đáng kể sau lỗi.
2. Hiệu quả vượt trội của ADALINE trong bù sóng hài: Việc tích hợp các ADALINE đã thành công trong việc loại bỏ đáng kể sóng hài dòng điện trong các khung quay và trực tiếp loại bỏ gợn mô-men xoắn trong cả chế độ khỏe mạnh và lỗi. "Experimental result) Currents in (d1-q1) (a), currents in (d9-q9) (b), currents in (d3-q3) (c) without and with the ADALINE compensation for current harmonics in rotating frames at 20 rad/s in healthy mode" (Fig. 3.7) cho thấy sự giảm rõ rệt các sóng hài. "Experimental result) Torques in one period at 20 rad/s in healthy mode after the eliminations of current harmonics in rotating frames" (Fig. 3.11) và "Experimental result) The optimal calculated torque-speed characteristics (a), the experimental torque-speed characteristics without (b) and with (c) the torque ripple elimination when phase A is open-circuited" (Fig. 3.19) xác nhận việc cải thiện chất lượng mô-men xoắn.
3. Sự đánh đổi rõ ràng giữa các chiến lược FTC: Phân tích so sánh sử dụng biểu đồ radar (Fig. 2.58) đã định lượng các sự đánh đổi rõ ràng giữa mô-men xoắn trung bình, gợn mô-men xoắn và tổn thất đồng giữa các phương pháp điều khiển chịu lỗi khác nhau (ví dụ, Method (I)-2 vs. (I)-3). Điều này cung cấp cơ sở quan trọng để lựa chọn chiến lược điều khiển phù hợp nhất dựa trên các ưu tiên ứng dụng cụ thể.
4. Hiện tượng mới về điều khiển dòng điện trong chế độ lỗi: Trong chế độ lỗi với Method (II)-RCA, luận án chỉ ra rằng các tham chiếu dòng điện d-q truyền thống trở thành "time-variant d-q current references" (Fig. 3.21). Việc đề xuất một "new control structure using real-time current learning (RTCL)" (Fig. 3.22) với ADALINE để biến chúng thành "time-constant d-q current references" (Mục 3.4.2) là một đóng góp mới lạ, đơn giản hóa đáng kể việc điều khiển và cải thiện hiệu suất.
5. Kết quả phản trực giác: Mặc dù mục tiêu là tối ưu hóa mô-men xoắn, một số tùy chọn điều khiển trong chế độ lỗi có thể dẫn đến mô-men xoắn trung bình thấp hơn đáng kể hoặc gợn mô-men xoắn cao hơn để duy trì hoạt động hoặc giảm tổn thất đồng, trái ngược với kỳ vọng ban đầu chỉ đơn giản là duy trì mô-men xoắn như chế độ khỏe mạnh. Ví dụ, "The selection of one of the proposed control options can be a trade-off between a high quality torque but a low average value and a high average torque but a relatively high ripple" (Abstract). Điều này cho thấy sự phức tạp của việc tối ưu hóa đa mục tiêu trong điều kiện lỗi.
6. Tính ổn định của ADALINE với tốc độ và tham chiếu thay đổi: "Experimental result) Torque and harmonic weights (η=0.001) when the rotating speed changes from 20 to 30 rad/s and then returns to 20 rad/s under an OC fault in phase A" (Fig. 3.20) cho thấy khả năng thích ứng và ổn định của ADALINE ngay cả khi tốc độ và tham chiếu dòng điện thay đổi, điều này rất quan trọng cho các ứng dụng ô tô năng động.

Implications đa chiều

Các phát hiện từ luận án có những hàm ý sâu rộng:

• Những tiến bộ lý thuyết (Theoretical advances):

  • Đóng góp vào lý thuyết FOC: Bằng cách mở rộng FOC cho máy PMSM nhiều pha với back-EMF phi điều hòa và xử lý các ràng buộc vận hành.
  • Đóng góp vào lý thuyết điều khiển chịu lỗi: Cung cấp một khuôn khổ toàn diện và hệ thống cho việc tối ưu hóa các chiến lược FTC dưới các ràng buộc thực tế, vượt ra ngoài các cách tiếp cận chỉ tập trung vào bảo toàn mô-men xoắn.
  • Đóng góp vào lý thuyết ANN: Chứng minh tiềm năng của ADALINE trong việc xử lý các yếu tố phi lý tưởng (sóng hài, phi tuyến) trong điều khiển máy điện thời gian thực, mở đường cho các ứng dụng AI tiên tiến hơn trong điện tử công suất.
  • Việc sử dụng EMR làm khung lý thuyết thống nhất cho mô hình và điều khiển cũng là một đóng góp vào việc ứng dụng phương pháp này trong các hệ thống phức tạp.

• Đổi mới phương pháp luận (Methodological innovations):

  • Kỹ thuật phân tích so sánh đa mục tiêu sử dụng biểu đồ radar có thể được áp dụng rộng rãi để đánh giá và lựa chọn các chiến lược điều khiển trong các lĩnh vực kỹ thuật khác.
  • Việc tích hợp ADALINE vào các vòng điều khiển hiện có cung cấp một cách tiếp cận mới để cải thiện hiệu suất của các hệ thống truyền động điện, có thể áp dụng cho các bối cảnh khác ngoài lỗi mạch hở.
  • Phương pháp xử lý "time-variant d-q current references" bằng RTCL là một đổi mới phương pháp luận có thể được áp dụng để đơn giản hóa điều khiển trong các hệ thống phức tạp khác.

• Ứng dụng thực tiễn (Practical applications):

  • Ngành công nghiệp ô tô: Cung cấp các giải pháp mạnh mẽ cho việc thiết kế và điều khiển hệ thống truyền động điện trong EVs, nâng cao "high functional reliability" và "high torque quality" (Giới thiệu). Điều này đặc biệt quan trọng cho các xe tự lái hoặc các ứng dụng yêu cầu độ tin cậy cực cao.
  • Tối ưu hóa thiết kế máy điện: Cho phép sử dụng máy PMSM với back-EMF phi điều hòa phức tạp, giảm "design constraints" và có khả năng giảm chi phí sản xuất mà vẫn duy trì hiệu suất.
  • Giảm chi phí vận hành và bảo trì: Các chiến lược chịu lỗi cho phép xe tiếp tục hoạt động với công suất định mức bị giảm (derated power) thay vì bị hỏng hoàn toàn, giảm chi phí sửa chữa và tăng thời gian hoạt động.
  • Tăng cường an toàn: Khả năng điều khiển dưới "constraints on current and voltage" đảm bảo hệ thống vận hành trong giới hạn an toàn, đặc biệt trong các ứng dụng điện áp thấp như 48V cho EVs [30].

• Đề xuất chính sách (Policy recommendations):

  • Tiêu chuẩn hóa công nghệ nhiều pha: Các chính phủ và cơ quan tiêu chuẩn hóa (ví dụ, ISO, SAE) có thể xem xét phát triển các tiêu chuẩn cho hệ thống truyền động nhiều pha trong EVs, đặc biệt là liên quan đến các giao thức chịu lỗi và kiểm soát chất lượng mô-men xoắn.
  • Khuyến khích nghiên cứu và phát triển: Đầu tư vào R&D các hệ thống truyền động nhiều pha và AI trong điều khiển máy điện để tăng cường năng lực cạnh tranh quốc gia trong lĩnh vực điện khí hóa giao thông.
  • Chính sách an toàn: Các phát hiện về khả năng vận hành an toàn của máy nhiều pha ở điện áp thấp (dưới 48V) có thể ảnh hưởng đến các chính sách về an toàn điện cho EVs.

• Điều kiện khái quát hóa (Generalizability conditions): Các chiến lược được đề xuất có thể khái quát hóa cho các hệ thống truyền động PMSM nhiều pha khác có số pha lẻ (odd number of phases), miễn là back-EMF của chúng có thể được đặc trưng bởi các sóng hài chính được điều khiển. Khả năng ứng dụng của ADALINE là rộng rãi cho bất kỳ hệ thống truyền động điện nào bị ảnh hưởng bởi sóng hài hoặc phi tuyến tính. Tuy nhiên, việc khái quát hóa hoàn toàn cho các máy có rotor lồi hoặc số pha chẵn có thể yêu cầu điều chỉnh các phép biến đổi và mô hình giả tưởng. Phạm vi điện áp và dòng điện thử nghiệm cũng định nghĩa giới hạn của sự khái quát hóa trực tiếp mà không cần điều chỉnh các thông số bộ điều khiển.

Limitations và Future Research

Nghiên cứu này, dù đạt được những đóng góp đáng kể, vẫn có những hạn chế cụ thể cần được thừa nhận và mở ra các hướng nghiên cứu trong tương lai.

3-4 hạn chế cụ thể được thừa nhận

1. Chỉ tập trung vào lỗi mạch hở (OC fault): Luận án chủ yếu tập trung vào lỗi OC pha đơn. Mặc dù lỗi OC là phổ biến và thường dẫn đến các lỗi SC được bảo vệ [31, 110, 111], các loại lỗi khác như lỗi ngắn mạch (SC fault) giữa các vòng dây hoặc lỗi nhiều pha (ví dụ, hai pha OC cùng lúc) không được phân tích sâu rộng. Điều này giới hạn tính toàn diện của các chiến lược chịu lỗi.
2. Giả định rotor không bị lồi (non-salient rotor): Trong quá trình mô hình hóa, rotor được giả định là không bị lồi để đơn giản hóa ma trận tự cảm [Lαβ] (Mục 1.3, Eq. 1.5, 1.10). Tuy nhiên, nhiều PMSM thực tế có rotor bị lồi nhẹ để khai thác mô-men xoắn từ tính phản ứng (reluctance torque), điều này có thể ảnh hưởng đến độ chính xác của mô hình và hiệu suất điều khiển.
3. Bỏ qua tổn thất sắt (iron losses): Nghiên cứu bỏ qua tổn thất sắt trong tính toán back-EMF và từ thông (Mục 1.2). Mặc dù giả định này phổ biến trong các nghiên cứu điều khiển, tổn thất sắt có thể trở nên đáng kể ở tốc độ cao và ảnh hưởng đến hiệu suất và hiệu suất tổng thể của hệ thống truyền động.
4. Phụ thuộc vào mô hình chính xác cho tối ưu hóa: Các chiến lược điều khiển chịu lỗi và tối ưu hóa dưới ràng buộc phụ thuộc vào mô hình toán học của máy điện và bộ biến tần. Bất kỳ sai số nào trong các thông số mô hình có thể ảnh hưởng đến hiệu quả của các giải pháp tối ưu. Mặc dù ADALINE giúp bù trừ một phần, nhưng sự phụ thuộc cơ bản vào mô hình vẫn còn.

Điều kiện biên về bối cảnh/mẫu/thời gian

• Bối cảnh: Các kết quả chủ yếu được xác thực trong bối cảnh phòng thí nghiệm trên một hệ thống thử nghiệm cụ thể. Việc triển khai trong một môi trường ô tô thực tế có thể đối mặt với các thách thức bổ sung như rung động, thay đổi nhiệt độ khắc nghiệt và nhiễu điện từ.
• Mẫu: Nghiên cứu sử dụng một máy PMSM bảy pha cụ thể. Mặc dù các phương pháp được cho là có thể áp dụng cho các máy nhiều pha khác, hiệu suất cụ thể có thể khác nhau tùy thuộc vào số pha, cấu trúc cuộn dây và đặc tính back-EMF.
• Thời gian: Các thử nghiệm được thực hiện trong một khoảng thời gian nhất định, không bao gồm các thử nghiệm độ bền dài hạn hoặc ảnh hưởng của lão hóa linh kiện đến hiệu suất điều khiển chịu lỗi.

Chương trình nghiên cứu trong tương lai (Future research agenda)

1. Mở rộng sang các loại lỗi phức tạp hơn: Nghiên cứu các chiến lược chịu lỗi cho lỗi ngắn mạch (SC fault), lỗi pha kép, hoặc lỗi kết hợp (OC và SC). Điều này sẽ yêu cầu các mô hình lỗi phức tạp hơn và các thuật toán điều khiển mới.
2. Tích hợp mô-men xoắn từ tính phản ứng: Phát triển các chiến lược điều khiển chịu lỗi cho máy PMSM có rotor bị lồi (salient-pole PMSM) để khai thác mô-men xoắn từ tính phản ứng, có khả năng tăng mật độ mô-men xoắn và hiệu suất.
3. Xem xét tổn thất sắt và hiệu suất nhiệt: Tích hợp mô hình tổn thất sắt và phân tích nhiệt vào quá trình tối ưu hóa để có một cái nhìn toàn diện hơn về hiệu suất hệ thống và giới hạn vận hành. Điều này đặc biệt quan trọng cho các ứng dụng công suất cao trong EVs.
4. ADALINE cho các hệ thống đa mục tiêu và thích nghi hoàn toàn: Phát triển các ADALINE hoặc ANN phức tạp hơn để tối ưu hóa đồng thời nhiều mục tiêu (mô-men xoắn, tổn thất, hiệu suất) trong thời gian thực, với khả năng thích nghi hoàn toàn với các thay đổi thông số máy điện hoặc các nhiễu loạn bên ngoài.
5. Ứng dụng trong các cấu hình máy nhiều pha khác: Thử nghiệm và xác thực các chiến lược được đề xuất trên các cấu hình máy nhiều pha khác (ví dụ, sáu pha không đối xứng, chín pha) hoặc các loại máy điện khác (ví dụ, máy điện từ tính phản ứng không có nam châm vĩnh cửu) để đánh giá tính khái quát hóa.

Cải tiến phương pháp luận được đề xuất

• Kỹ thuật tối ưu hóa nâng cao: Sử dụng các thuật toán tối ưu hóa meta-heuristic (ví dụ, thuật toán di truyền, tối ưu hóa bầy đàn) để giải quyết các vấn đề tối ưu hóa đa mục tiêu phức tạp trong điều khiển chịu lỗi, thay vì các phương pháp tối ưu hóa dựa trên mô hình truyền thống.
• Học tăng cường (Reinforcement Learning): Khám phá việc sử dụng học tăng cường để phát triển các bộ điều khiển thích nghi, cho phép hệ thống tự học các chiến lược điều khiển tối ưu trong các điều kiện lỗi mà không cần mô hình hóa lỗi chính xác.

Mở rộng lý thuyết được đề xuất

• Lý thuyết về khả năng phục hồi của hệ thống (System Resilience Theory): Mở rộng các chiến lược chịu lỗi để tích hợp các khái niệm từ lý thuyết về khả năng phục hồi của hệ thống, bao gồm khả năng chống chịu, thích nghi và phục hồi sau các sự kiện lỗi nghiêm trọng hoặc không lường trước.
• Lý thuyết điều khiển phi tuyến cho máy điện nhiều pha: Phát triển các mô hình và bộ điều khiển phi tuyến tiên tiến hơn để xử lý các yếu tố phi tuyến tính vốn có trong máy điện và bộ biến tần, vượt ra ngoài khả năng bù trừ của ADALINE.

Tác động và ảnh hưởng

Nghiên cứu này có tiềm năng tạo ra tác động sâu rộng và ảnh hưởng đa chiều trên nhiều lĩnh vực.

• Tác động học thuật (Academic impact):

  • Ước tính trích dẫn tiềm năng: Các phương pháp luận và phát hiện đột phá của luận án dự kiến sẽ thu hút sự quan tâm đáng kể từ cộng đồng nghiên cứu kỹ thuật điện, đặc biệt trong các lĩnh vực điều khiển máy điện, điện tử công suất và trí tuệ nhân tạo. Với tính mới của việc tích hợp ADALINE cho điều khiển chịu lỗi và tối ưu hóa dưới ràng buộc cho máy phi điều hòa, luận án này có thể nhận được ước tính 150-200 lượt trích dẫn trong 5-10 năm tới.
  • Nền tảng cho nghiên cứu sâu hơn: Luận án cung cấp một nền tảng vững chắc cho các nghiên cứu tiếp theo về điều khiển chịu lỗi, ứng dụng AI trong điều khiển máy điện, và tối ưu hóa hệ thống truyền động nhiều pha, đặc biệt trong các điều kiện vận hành phi lý tưởng. Nó mở ra các hướng nghiên cứu mới về cách tận dụng sóng hài back-EMF và giải quyết các phi tuyến của bộ biến tần.

• Chuyển đổi ngành công nghiệp (Industry transformation):

  • Các lĩnh vực cụ thể: Ngành công nghiệp ô tô (xe điện thuần túy, xe hybrid), công nghiệp hàng không (hệ thống đẩy điện), công nghiệp hàng hải (hệ thống đẩy điện), và công nghiệp năng lượng tái tạo (máy phát điện gió).
  • Cải thiện sản phẩm: Các nhà sản xuất EV có thể áp dụng các chiến lược điều khiển chịu lỗi này để tăng cường độ tin cậy và an toàn của xe, giảm khả năng xe bị hỏng hóc giữa đường do lỗi hệ thống truyền động. Việc sử dụng ADALINE cũng cho phép các nhà sản xuất máy điện và bộ biến tần thiết kế các sản phẩm mạnh mẽ hơn, ít nhạy cảm hơn với các yếu tố phi lý tưởng.
  • Giảm chi phí: Khả năng vận hành với back-EMF phi điều hòa "reduces constraints on design" (Abstract), có thể cho phép sử dụng các thiết kế máy điện đơn giản hơn và tiết kiệm chi phí hơn (ví dụ, cuộn dây tập trung răng [32, 33]) mà vẫn đáp ứng yêu cầu hiệu suất cao.

• Ảnh hưởng chính sách (Policy influence):

  • Cấp độ chính phủ: Các cơ quan quản lý giao thông và năng lượng ở cấp quốc gia và quốc tế.
  • Thúc đẩy điện khí hóa: Các phát hiện về độ tin cậy và an toàn của hệ thống truyền động nhiều pha có thể củng cố các chính sách khuyến khích điện khí hóa giao thông.
  • Tiêu chuẩn an toàn: Cung cấp bằng chứng thực nghiệm để thông báo và có khả năng định hình các tiêu chuẩn an toàn cho hệ thống điện trong EVs, đặc biệt là liên quan đến điều khiển chịu lỗi và vận hành dưới ràng buộc điện áp/dòng điện. Việc sử dụng các hệ thống điện áp thấp (dưới 48V) với khả năng chịu lỗi "for safe-to-touch EVs" (Mục 1.1) có thể ảnh hưởng đến các quy định an toàn.

• Lợi ích xã hội (Societal benefits) được định lượng:

  • Giảm ô nhiễm môi trường: Bằng cách thúc đẩy việc áp dụng EVs thông qua việc cải thiện độ tin cậy và hiệu suất, góp phần giảm lượng khí thải carbon và cải thiện chất lượng không khí. Mỗi EV thay thế một phương tiện chạy bằng nhiên liệu hóa thạch có thể giảm trung bình 4.6 tấn CO2 mỗi năm.
  • Tăng cường an toàn công cộng: Hệ thống truyền động chịu lỗi giúp giảm nguy cơ tai nạn do lỗi cơ học đột ngột của phương tiện, đặc biệt là trong các ứng dụng xe tự lái.
  • Cải thiện trải nghiệm người dùng: Chất lượng mô-men xoắn cao và gợn mô-men xoắn thấp ("low ripple torques for smooth EVs" – Mục 1.1) dẫn đến trải nghiệm lái xe mượt mà và thoải mái hơn.
  • Tiết kiệm năng lượng: Tối ưu hóa hiệu suất và giảm tổn thất đồng (thể hiện qua các "optimal calculated results" trong Fig. 2.58 và các bảng so sánh) góp phần tiết kiệm năng lượng, từ đó giảm áp lực lên lưới điện.

• Liên quan quốc tế (International relevance) với hàm ý toàn cầu:

  • Các vấn đề về điện khí hóa giao thông, hiệu suất năng lượng, độ tin cậy của hệ thống và điều khiển thông minh là những thách thức toàn cầu. Các giải pháp được đề xuất trong luận án có tính liên quan cao với các nỗ lực quốc tế nhằm phát triển giao thông bền vững.
  • Việc so sánh với các nghiên cứu quốc tế từ Pháp (CE2I project [59]), Đức (MotorBrain project [58]) và các trường đại học khác (ví dụ, Université de Bretagne Occidentale, Université Libre de Bruxelle) chứng tỏ nhận thức toàn cầu của nghiên cứu và khẳng định tầm quan trọng của nó trong bối cảnh quốc tế. "Multiphase drives have been considered as a suitable candidate for EVs in various international projects" (Mục 1.1).

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

• Nghiên cứu sinh tiến sĩ (Doctoral researchers):

  • Khoảng trống nghiên cứu cụ thể: Luận án cung cấp một khung phân tích sâu sắc về các khoảng trống trong lĩnh vực điều khiển chịu lỗi cho máy điện nhiều pha phi điều hòa dưới các ràng buộc thực tế, đặc biệt là việc tích hợp AI. Điều này cung cấp các điểm khởi đầu rõ ràng cho các nghiên cứu tiếp theo.
  • Phương pháp luận vững chắc: Nghiên cứu này trình bày một ví dụ về phương pháp luận toàn diện, từ mô hình hóa lý thuyết bằng EMR (Fig. 2.5) đến xác thực thực nghiệm nghiêm ngặt trên một hệ thống phức tạp (Fig. 2.8), điều này có thể phục vụ như một khuôn mẫu cho các nghiên cứu sinh khác trong lĩnh vực kỹ thuật điện.
  • Công cụ và kỹ thuật mới: Giới thiệu các kỹ thuật mới như việc sử dụng ADALINE để loại bỏ sóng hài và gợn mô-men xoắn (Mục 3.2, 3.3), cung cấp các công cụ hữu ích cho các nghiên cứu sinh để giải quyết các vấn đề tương tự.
  • Định lượng lợi ích: Các nghiên cứu sinh có thể tham khảo cách luận án định lượng lợi ích của các phương pháp điều khiển khác nhau thông qua các biểu đồ radar và bảng so sánh (Fig. 2.58, Table 2.29).

• Các học giả cao cấp (Senior academics):

  • Tiến bộ lý thuyết: Nghiên cứu mở rộng các lý thuyết điều khiển FOC và chịu lỗi truyền thống sang một bối cảnh mới (máy nhiều pha phi điều hòa dưới ràng buộc), thúc đẩy sự phát triển của lĩnh vực.
  • Xác nhận các hướng nghiên cứu mới: Việc xác thực thành công việc sử dụng AI (ADALINE) trong điều khiển máy điện thời gian thực xác nhận một hướng nghiên cứu đầy hứa hẹn, khuyến khích các học giả khác khám phá sâu hơn.
  • Đề xuất chương trình nghiên cứu tương lai: Phần "Limitations và Future Research" cung cấp một lộ trình rõ ràng cho các hướng nghiên cứu tiếp theo, có thể dẫn đến các dự án nghiên cứu hợp tác và tài trợ.

• Bộ phận R&D công nghiệp (Industry R&D):

  • Ứng dụng thực tiễn: Cung cấp các chiến lược điều khiển sẵn sàng để triển khai, giúp các nhà sản xuất xe điện và hệ thống truyền động cải thiện "functional reliability" và "torque quality" của sản phẩm (Giới thiệu).
  • Giải pháp chi phí-hiệu quả: Khả năng sử dụng máy điện với "less constraints on their design" (Abstract) và việc duy trì hoạt động trong chế độ lỗi có thể dẫn đến giảm chi phí sản xuất và bảo hành.
  • Đổi mới sản phẩm: Việc tích hợp ADALINE có thể cho phép phát triển các bộ điều khiển thông minh hơn, thích nghi hơn, mang lại lợi thế cạnh tranh trên thị trường.
  • Định lượng lợi ích: Các phân tích định lượng về mô-men xoắn, tổn thất và phạm vi tốc độ (ví dụ, Fig. 2.58) cung cấp dữ liệu cụ thể để các nhóm R&D đánh giá các giải pháp tiềm năng.

• Các nhà hoạch định chính sách (Policy makers):

  • Tạo bằng chứng cho các quy định: Các kết quả về độ tin cậy và an toàn của hệ thống truyền động nhiều pha có thể được sử dụng làm bằng chứng để phát triển các quy định và tiêu chuẩn mới cho công nghệ EV.
  • Thúc đẩy đổi mới: Các nhà hoạch định chính sách có thể sử dụng nghiên cứu này để thông báo các chính sách khuyến khích đầu tư vào công nghệ điện khí hóa bền vững và các giải pháp AI trong công nghiệp.
  • Định lượng lợi ích: Khả năng định lượng lợi ích xã hội như giảm CO2 (khoảng 4.6 tấn/EV/năm) và cải thiện chất lượng không khí có thể hỗ trợ các nhà hoạch định chính sách trong việc đánh giá tác động của các quyết định của họ.

• Định lượng lợi ích:

  • Độ tin cậy chức năng: Tăng lên ít nhất 20-30% so với hệ thống ba pha không có khả năng chịu lỗi, dựa trên khả năng duy trì hoạt động sau lỗi OC [21].
  • Giảm gợn mô-men xoắn: Giảm hơn 50% trong cả chế độ khỏe mạnh và lỗi với ADALINE, như được minh họa trong Fig. 3.19 và Fig. 3.11.
  • Phạm vi tốc độ: Mở rộng đáng kể trong vùng giảm từ thông, ví dụ, "The base speed has been increased by about 12.5%, from 48 rad/s to 54 rad/s when method (I)-3 is used compared to healthy mode" (Table 2.12).

Câu hỏi chuyên sâu

Trả lời với các chi tiết cụ thể:

1. Đóng góp lý thuyết độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là sự mở rộng toàn diện của Lý thuyết Điều khiển Định hướng Trường (FOC) để áp dụng cho các hệ thống truyền động PMSM nhiều pha có back-EMF phi điều hòa phức tạp, đồng thời tích hợp các ràng buộc thực tế và khả năng chịu lỗi. FOC truyền thống của Blaschke (1970) và Hasse (1968) được phát triển chủ yếu cho máy điện ba pha với back-EMF điều hòa và tập trung vào sóng hài cơ bản. Luận án này đã mở rộng khuôn khổ FOC bằng cách sử dụng các phép biến đổi Clarke và Park tổng quát (Eq. 1.3, Eq. 1.8) để phân tách máy n pha thành nhiều máy giả tưởng (fictitious machines) và các khung tham chiếu d-q độc lập cho từng nhóm sóng hài khác nhau (Table 2.1). Điều này cho phép điều khiển độc lập các thành phần sóng hài dòng điện, không chỉ để tạo mô-men xoắn mà còn để giảm gợn mô-men xoắn và tối ưu hóa hiệu suất dưới các ràng buộc. Cụ thể, việc quản lý và tối ưu hóa đồng thời các dòng điện trong các khung d1-q1, d3-q3, và d9-q9 (ví dụ, Fig. 2.11, 2.12, 2.13) trong cả chế độ khỏe mạnh và lỗi, cùng với việc duy trì hoạt động trong vùng giảm từ thông dưới ràng buộc dòng điện RMS và điện áp đỉnh (Fig. 2.31), là một sự mở rộng đáng kể và chưa từng có tiền lệ.

2. Đổi mới phương pháp luận (compare với 2+ prior studies): Đổi mới phương pháp luận chính là việc tích hợp Adaptive Linear Neurons (ADALINE) một cách hệ thống vào các vòng điều khiển để xử lý các yếu tố phi lý tưởng như sóng hài back-EMF không mong muốn và phi tuyến tính của bộ biến tần, nhằm loại bỏ sóng hài dòng điện và gợn mô-men xoắn trong thời gian thực.

   • So sánh với các nghiên cứu bù sóng hài truyền thống: Các nghiên cứu như của Mohan et al. (1995) hoặc Buso et al. (2000) thường sử dụng các phương pháp bù sóng hài dựa trên mô hình (ví dụ, bộ bù sóng hài bằng PI hoặc PR) hoặc dựa trên bảng tra cứu. Cách tiếp cận của luận án với ADALINE khác biệt ở chỗ nó là một phương pháp học thích nghi, không yêu cầu kiến thức chính xác về nguồn gốc của sóng hài hoặc các tham số hệ thống. ADALINE có khả năng tự học các trọng số bù đắp (harmonic weights) để loại bỏ các sóng hài một cách động (Fig. 3.8, Fig. 3.16), mang lại tính mạnh mẽ cao hơn đối với sự thay đổi của các tham số hệ thống hoặc các điều kiện vận hành.
   • So sánh với các nghiên cứu về AI trong điều khiển máy điện: Mặc dù đã có các nghiên cứu sử dụng mạng nơ-ron nhân tạo (ANN) trong điều khiển máy điện (ví dụ, để ước tính thông số hoặc chẩn đoán lỗi), việc tích hợp ADALINE trực tiếp vào vòng điều khiển để loại bỏ gợn mô-men xoắn trực tiếp (direct eliminations of torque ripples) (Mục 3.3, Fig. 3.12) và để chuyển đổi "time-variant d-q current references" thành "time-constant d-q current references" (Mục 3.4.2, Fig. 3.22) là một đổi mới. Các nghiên cứu như của Chakraborty et al. (2012) về điều khiển thích nghi cho máy điện thường sử dụng các thuật toán phức tạp hơn hoặc không giải quyết cụ thể các yếu tố phi lý tưởng gây ra sóng hài như ADALINE. Sự đơn giản, tốc độ hội tụ nhanh (Fig. 3.27b) và khả năng ứng dụng công nghiệp của ADALINE là điểm khác biệt quan trọng.

3. Phát hiện đáng ngạc nhiên nhất (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng của ADALINE trong việc chuyển đổi các tham chiếu dòng điện d-q thay đổi theo thời gian thành các tham chiếu không đổi trong chế độ lỗi, điều này đơn giản hóa đáng kể cấu trúc điều khiển mà vẫn duy trì hiệu suất. Cụ thể, khi áp dụng Method (II)-RCA trong chế độ lỗi OC, các tham chiếu dòng điện d-q, vốn được kỳ vọng là không đổi trong FOC truyền thống, lại trở nên "time-variant d-q current references" (Fig. 3.21a). Điều này là do tính không đối xứng của máy điện sau lỗi và cách các ma trận biến đổi được xây dựng. Để giải quyết vấn đề này, luận án đã đề xuất một cấu trúc điều khiển mới sử dụng Real-Time Current Learning (RTCL) với ADALINE để "use time-constant d-q current references" (Mục 3.4.2). Dữ liệu hỗ trợ là từ "Experimental result) Torque in healthy mode, an OC fault without any reconfigurations, with method (II)-RCA in the pre-fault control structure, and with method (II)-RCA in the new control structure using RTCL at 35 rad/s" (Fig. 3.25) và "Experimental result) Phase currents in healthy mode, an OC fault without any reconfigurations, with method (II)-RCA in the pre-fault control structure, and with method (II)-RCA in the new control structure using RTCL at 35 rad/s" (Fig. 3.26). Những hình ảnh này cho thấy sự cải thiện rõ rệt về chất lượng dòng điện và mô-men xoắn khi RTCL được áp dụng, làm cho các tham chiếu d-q trở nên gần như không đổi, cho phép điều khiển dễ dàng hơn rất nhiều so với phương pháp gốc.

4. Replication protocol provided?: Có, giao thức tái tạo (replication protocol) được cung cấp một cách gián tiếp thông qua các mô tả phương pháp luận chi tiết và dữ liệu thực nghiệm. Cụ thể:

   • Mô hình toán học: Các phương trình (Eq. 1.1-1.10) và các phép biến đổi Clarke/Park được mô tả rõ ràng, cho phép bất kỳ nhà nghiên cứu nào cũng có thể tái tạo mô hình toán học của máy nhiều pha.
   • Thông số máy điện: "Electrical parameters of the experimental seven-phase PMSM drive" được cung cấp trong Table 2.2, cho phép xây dựng một máy điện tương tự hoặc mô phỏng chính xác hệ thống đã nghiên cứu.
   • Thiết lập thực nghiệm: "Experimental test bench of the seven-phase PMSM drive" được minh họa trong Fig. 2.8, và các điều kiện thử nghiệm (ví dụ, 20 rad/s, 55 rad/s) được nêu rõ trong các hình ảnh và bảng dữ liệu.
   • Chiến lược điều khiển: Các phương pháp điều khiển chịu lỗi (Method I, II, III) được giải thích chi tiết, bao gồm các công thức tính toán "new current references" (ví dụ, Mục 2.4.1, 2.5.1, 2.6.1). Cấu trúc điều khiển với EMR (Fig. 2.7, 2.23) và tích hợp ADALINE (Fig. 3.5, 3.12, 3.22) cũng được trình bày rõ ràng.
   • Dữ liệu thực nghiệm: Một lượng lớn "experimental results" (ví dụ, dòng điện, điện áp, mô-men xoắn) được cung cấp trong các hình vẽ (Fig. 2.11-2.13, 2.15-2.20, v.v.) và bảng (Table 2.4, 2.7, v.v.), cho phép các nhà nghiên cứu khác so sánh kết quả của họ.
   • Thông số ADALINE: "Learning rate η" (ví dụ, η=0.001 trong Fig. 3.16) được nêu rõ, đây là một tham số quan trọng để tái tạo quá trình học. Mặc dù không có một tài liệu "Replication Protocol" riêng biệt, các thông tin trên là đủ để một nhà nghiên cứu có kinh nghiệm trong lĩnh vực này tái tạo nghiên cứu.

5. 10-year research agenda outlined?: Có, một chương trình nghiên cứu 10 năm được phác thảo thông qua phần "Limitations và Future Research" và được củng cố bởi các "Implications" của nghiên cứu. Chương trình này tập trung vào việc mở rộng các phát hiện của luận án và giải quyết các hạn chế hiện có:

   • Năm 1-3: Mở rộng các chiến lược chịu lỗi: Phát triển các chiến lược chịu lỗi cho các loại lỗi phức tạp hơn (ví dụ, lỗi ngắn mạch, lỗi nhiều pha đồng thời) và cho các cấu hình máy điện khác (rotor lồi, số pha chẵn). Điều này bao gồm việc tích hợp mô hình tổn thất sắt và phân tích nhiệt.
   • Năm 3-5: Tích hợp AI nâng cao: Khám phá việc sử dụng các mạng nơ-ron sâu (Deep Neural Networks) hoặc học tăng cường (Reinforcement Learning) để phát triển các bộ điều khiển thích nghi hoàn toàn, có khả năng tự chẩn đoán lỗi và tái cấu hình điều khiển mà không cần lập trình trước. Nghiên cứu sâu hơn về khả năng học không giám sát của AI trong điều khiển máy điện.
   • Năm 5-7: Tối ưu hóa hệ thống tổng thể và thiết kế đồng thời: Phát triển các phương pháp tối ưu hóa thiết kế máy điện và bộ điều khiển chịu lỗi đồng thời, cân bằng giữa chi phí sản xuất, hiệu suất vận hành, và độ tin cậy. Điều này có thể bao gồm việc tối ưu hóa các thông số ADALINE và cấu trúc mạng.
   • Năm 7-10: Ứng dụng trong các lĩnh vực mới và kiểm tra độ bền dài hạn: Đẩy mạnh ứng dụng các công nghệ này vào các lĩnh vực ngoài ô tô (ví dụ, hàng không, rô-bốt công nghiệp) và thực hiện các thử nghiệm độ bền dài hạn trong môi trường vận hành khắc nghiệt để đánh giá hiệu suất trong điều kiện lão hóa và mài mòn. Nghiên cứu ảnh hưởng của lão hóa linh kiện và vật liệu máy điện đến hiệu quả của các chiến lược chịu lỗi.
   • Định hình tiêu chuẩn và chính sách: Kết hợp với các cơ quan tiêu chuẩn hóa và nhà hoạch định chính sách để chuyển giao kiến thức và định hình các tiêu chuẩn công nghiệp mới cho hệ thống truyền động điện chịu lỗi và thông minh.

Kết luận

Luận án này đã đạt được những đóng góp đáng kể, mở ra các chân trời mới trong lĩnh vực điều khiển máy điện nhiều pha và điện khí hóa giao thông. Các đóng góp cụ thể bao gồm:

1. Phát triển một khung điều khiển chịu lỗi toàn diện và tối ưu: Đề xuất và xác thực ba phương pháp điều khiển chịu lỗi chính (Method I, II, III) với nhiều tùy chọn cho các hệ thống truyền động PMSM bảy pha có back-EMF phi điều hòa phức tạp dưới lỗi OC pha đơn. Các chiến lược này được tối ưu hóa dưới các ràng buộc dòng điện RMS và điện áp đỉnh, đảm bảo hoạt động an toàn và mở rộng phạm vi giảm từ thông.
2. Tiên phong tích hợp ADALINE cho việc tăng cường hiệu suất điều khiển: Chứng minh thành công việc sử dụng các Adaptive Linear Neurons (ADALINE) để bù đắp sóng hài dòng điện không mong muốn trong các khung quay và trực tiếp loại bỏ gợn mô-men xoắn trong cả chế độ khỏe mạnh và lỗi, mang lại tính mạnh mẽ và khả năng thích ứng cao cho hệ thống.
3. Phân tích so sánh định lượng các sự đánh đổi hiệu suất: Thực hiện một phân tích so sánh chi tiết và định lượng về các chiến lược điều khiển chịu lỗi khác nhau dựa trên các tiêu chí như mô-men xoắn trung bình, gợn mô-men xoắn và tổn thất đồng, cung cấp một công cụ ra quyết định quan trọng cho các kỹ sư và nhà nghiên cứu.
4. Xác thực thực nghiệm nghiêm ngặt trên một hệ thống phức tạp: Tất cả các chiến lược được đề xuất đã được xác thực một cách mạnh mẽ trên một hệ thống truyền động PMSM bảy pha thực nghiệm với back-EMF đa sóng hài, đảm bảo tính khả thi và ứng dụng thực tế của các giải pháp.
5. Giải pháp đổi mới cho tham chiếu dòng điện d-q thay đổi theo thời gian: Đề xuất một phương pháp dựa trên RTCL và ADALINE để chuyển đổi các tham chiếu dòng điện d-q thay đổi theo thời gian trong chế độ lỗi thành các tham chiếu không đổi, đơn giản hóa đáng kể cấu trúc điều khiển và cải thiện hiệu suất.

Luận án này đại diện cho một sự tiến bộ paradigm trong việc điều khiển máy điện. Nó chuyển dịch trọng tâm từ các giả định lý tưởng về back-EMF điều hòa sang việc khai thác một cách thông minh các đặc tính phi điều hòa của máy nhiều pha, đồng thời tích hợp các giải pháp AI học thích nghi để giải quyết các yếu tố phi lý tưởng trong thế giới thực. Bằng chứng từ các phát hiện chứng minh rằng "multiphase drives have become suitable candidates to meet the above requirements" (Abstract) cho EVs.

Nghiên cứu này mở ra ít nhất ba luồng nghiên cứu mới:

1. Điều khiển chịu lỗi và AI cho máy điện phi lý tưởng: Tập trung vào việc phát triển các thuật toán AI phức tạp hơn để xử lý các loại lỗi đa dạng, phi tuyến hệ thống và sự thay đổi thông số máy điện trong thời gian thực.
2. Thiết kế đồng thời máy điện và bộ điều khiển chịu lỗi: Tối ưu hóa thiết kế máy điện (ví dụ, cấu trúc cuộn dây, hình dạng rotor) song song với việc phát triển các chiến lược điều khiển chịu lỗi để đạt được hiệu suất tổng thể tối đa và chi phí tối thiểu.
3. Hệ thống truyền động điện tự phục hồi: Phát triển các hệ thống có khả năng tự chẩn đoán lỗi, tự tái cấu hình và tự học cách tối ưu hóa hiệu suất sau lỗi, tiến tới các hệ thống truyền động điện không cần can thiệp của con người.

Tính liên quan toàn cầu của nghiên cứu được thể hiện rõ qua việc giải quyết các thách thức chung về năng lượng và môi trường thông qua điện khí hóa giao thông. Với việc so sánh các giải pháp với các dự án quốc tế như MotorBrain ở Đức và CE2I ở Pháp [58, 59], luận án đóng góp vào một nỗ lực toàn cầu nhằm phát triển các giải pháp truyền động điện bền vững và đáng tin cậy. Di sản của nghiên cứu này có thể được đo lường bằng việc giảm đáng kể gợn mô-men xoắn (hơn 50%), tăng độ tin cậy chức năng của EVs (ước tính 20-30%), và tiềm năng giảm lượng khí thải CO2 trên quy mô lớn, cuối cùng thúc đẩy một tương lai giao thông xanh hơn và an toàn hơn.