Tổng quan về luận án

Luận án tập trung vào chuyên ngành Kỹ thuật điều khiển và tự động hóa, giải quyết thách thức kiểm soát các hệ phi tuyến phức tạp trong kỷ nguyên Công nghiệp 4.0. Nghiên cứu tiên phong trong việc phát triển một giải thuật điều khiển thông minh mới, kết hợp sự ổn định của bộ điều khiển PID truyền thống với khả năng thích nghi linh hoạt của mạng nơ-ron mờ hồi quy (Recurrent Fuzzy Neural Networks - RFNN). Cụ thể, luận án giải quyết vấn đề cấp thiết về khả năng cập nhật tham số trực tuyến và bù tín hiệu điều khiển cho các hệ phi tuyến, đặc biệt là các hệ đa ngõ vào đa ngõ ra (MIMO) như robot.

Research Gap Specific với Citations từ Literature:

Mặc dù các kỹ thuật điều khiển PID và mờ đã được ứng dụng rộng rãi, "việc tìm kiếm các bộ tham số cho bộ điều khiển PID cũng như bộ điều khiển mờ bằng phương pháp thử sai tỏ ra kém hiệu quả đối với mô hình MIMO phi tuyến của robot." Điều này được ghi nhận trong bối cảnh các hệ thống công nghiệp ngày càng phức tạp [Trang iii]. Hơn nữa, ngay cả khi sử dụng các thuật toán tối ưu hóa như Giải thuật Di truyền (Genetic Algorithm - GA) để tìm kiếm tham số, hạn chế vẫn tồn tại: "GA chỉ có thể tìm được bộ nghiệm tối ưu để cài đặt cho bộ điều khiển tại thời điểm ban đầu. Nếu trong quá trình vận hành, thông số của robot hay có sự tác động của các yếu tố bất định khác như nhiễu, phương pháp này bắt buộc phải tìm lại bộ nghiệm tối ưu mới bằng cách chạy lại giải thuật." [Trang iii]. Vấn đề then chốt đặt ra là khả năng hiệu chỉnh tham số một cách trực tuyến.

Đối với các phương pháp điều khiển thích nghi dựa trên mạng nơ-ron mờ hồi quy, vốn đã được nhiều nhóm nghiên cứu vận dụng thành công cho hệ phi tuyến, một hạn chế cơ bản vẫn là "phụ thuộc vào việc lựa chọn bộ tham số ban đầu của mạng. Việc lựa chọn bộ tham số ban đầu không phù hợp sẽ gây ra tốc độ hội tụ chậm của giải thuật, làm cho đáp ứng quá độ của đối tượng bị kéo dài." [Trang iii]. Điều này đòi hỏi một cơ chế mạnh mẽ hơn để đảm bảo tính ổn định và hiệu quả ngay cả khi có sự thay đổi đột ngột hoặc nhiễu trong môi trường vận hành.

Research Questions và Hypotheses:

Luận án tập trung trả lời hai câu hỏi khoa học cốt lõi:

  1. Có thể hiệu chỉnh tham số tối ưu của bộ điều khiển một cách trực tuyến hay không?
  2. Có thể dùng mạng nơ-ron mờ hồi quy để hiệu chỉnh bù cho bộ điều khiển PID truyền thống trên một đối tượng phi tuyến cho trước?

Các giả thuyết chính của luận án bao gồm:

  1. Một giải thuật điều khiển giám sát kết hợp bộ điều khiển PID truyền thống làm nguồn năng lượng chủ đạo và mạng nơ-ron mờ hồi quy để bù online sẽ khắc phục được nhược điểm của việc lựa chọn tham số ban đầu cho RFNN và cung cấp khả năng thích nghi trực tuyến hiệu quả cho hệ phi tuyến.
  2. Việc xây dựng một bộ nhận dạng mạng nơ-ron mờ hồi quy (RFNNI) để quan sát và cập nhật các thông số sai số đầu ra của hệ phi tuyến, sau đó hồi tiếp về bộ điều khiển RFNNC (Recurrent Fuzzy Neural Network Controller) sẽ cải thiện đáng kể chất lượng điều khiển, giảm sai số bám và độ vọt lố.
  3. Giải thuật điều khiển đề xuất sẽ thể hiện hiệu suất vượt trội so với các bộ điều khiển FUZZY-PID, GA-PID và SNA-PID (Single Neural Adaptive PID) trong việc bám quỹ đạo cho robot Delta 3-DOF và hệ thống ổn định lưu lượng chất lỏng RT020, được kiểm chứng cả qua mô phỏng và thực nghiệm.

Theoretical Framework với Tên Theories Cụ Thể:

Luận án tích hợp các lý thuyết nền tảng từ nhiều lĩnh vực:

  • Lý thuyết điều khiển PID: Là nền tảng cho bộ điều khiển chính, cung cấp tín hiệu điều khiển chủ đạo và sự ổn định cơ bản.
  • Lý thuyết Logic Mờ (Fuzzy Logic) của L. Zadeh (1965) [8]: Được sử dụng trong thiết kế bộ điều khiển FUZZY-PID và là cơ sở cho các chức năng mờ trong mạng nơ-ron mờ hồi quy.
  • Lý thuyết Giải thuật Di truyền (Genetic Algorithm) của J. Holland [5]: Ứng dụng để tối ưu hóa tham số PID off-line, cung cấp một tiêu chuẩn so sánh cho khả năng thích nghi trực tuyến.
  • Lý thuyết Mạng Nơ-ron Nhân tạo (Artificial Neural Networks): Cung cấp khả năng học và xấp xỉ hàm phi tuyến.
  • Lý thuyết Mạng Nơ-ron Mờ Hồi quy (Recurrent Fuzzy Neural Networks - RFNN): Là cốt lõi của giải thuật điều khiển thông minh, tích hợp khả năng học của nơ-ron với suy luận mờ và cấu trúc hồi quy cho phép xử lý dữ liệu động và thích nghi theo thời gian.
  • Lý thuyết Điều khiển Thích nghi (Adaptive Control): Cung cấp khuôn khổ để thiết kế các bộ điều khiển có khả năng thay đổi tham số hoặc cấu trúc để duy trì hiệu suất mong muốn khi đối tượng hoặc môi trường thay đổi.
  • Lý thuyết Điều khiển Giám sát (Supervisory Control): Là kiến trúc tổng thể, nơi một bộ điều khiển cấp cao hơn giám sát và điều chỉnh hoạt động của các bộ điều khiển cấp thấp, đảm bảo tính bền vững và hiệu quả trong môi trường phức tạp.
  • Động lực học hệ nhiều vật (Multi-body Dynamics) và phương trình Lagrange loại 2 [49, 50]: Để xây dựng mô hình toán học chính xác cho robot Delta 3-DOF.

Đóng góp Đột Phá với Quantified Impact:

Luận án mang đến nhiều đóng góp đột phá, cụ thể:

  • Kiến trúc điều khiển giám sát RFNN-PID lai: Đề xuất và kiểm chứng một kiến trúc điều khiển chưa từng được thực hiện hiệu quả đến mức này trong việc giải quyết đồng thời cả hai vấn đề: thích nghi trực tuyến với thay đổi tham số/nhiễu và khắc phục sự nhạy cảm của RFNN với tham số khởi tạo. Điều này có thể giảm đáng kể sai số bám quỹ đạo xuống "nằm trong khoảng [−1.5mm, 1.5mm]" cho robot Delta, và cải thiện thời gian xác lập của hệ thống lưu lượng chất lỏng RT020 "từ khoảng 12 (s) xuống còn khoảng 8 ± 0.5 (s)" [Trang 10].
  • Bộ nhận dạng RFNNI online cho hệ phi tuyến: Phát triển một bộ nhận dạng mô hình đối tượng phi tham số độc đáo sử dụng RFNNI, tích hợp trực tiếp vào vòng lặp điều khiển để cập nhật thông tin Jacobian và hiệu chỉnh tham số bộ điều khiển PID thích nghi nơ-ron một cách trực tuyến. Điều này đảm bảo tính bền vững và hiệu quả điều khiển ngay cả khi thông số đối tượng thay đổi.
  • Kiểm chứng thực nghiệm trên hệ MIMO và SISO thực tế: Không chỉ dừng lại ở mô phỏng, luận án đã thiết kế, chế tạo và kiểm nghiệm giải thuật trên mô hình robot Delta 3-DOF vật lý và hệ ổn định lưu lượng chất lỏng RT020 của Đức. Sự thành công của thực nghiệm trên cả hai loại hệ thống này, một MIMO và một SISO, chứng minh tính khả thi và ứng dụng rộng rãi của giải thuật đề xuất.

Scope (Sample Size, Timeframe) và Significance:

Scope:

  • Đối tượng nghiên cứu: Hệ thống phi tuyến MIMO, cụ thể là robot Delta 3-DOF và hệ ổn định lưu lượng chất lỏng SISO RT020 của Gunt-Hamburg.
  • Mô hình robot Delta 3-DOF: Thiết kế và gia công vật lý ba phiên bản robot Delta, với phiên bản 3 được sử dụng cho thực nghiệm. Thông số kỹ thuật của robot Delta được trình bày chi tiết trong Bảng 1.2, bao gồm khối lượng các khâu (m1_1 = 0.38 kg), bán kính (R/r = 2π/4π rad), chiều dài tay trên/dưới (L1/L2),...
  • Kích thước mẫu (cho thực nghiệm): Robot Delta 3-DOF (3 bậc tự do, 3 cánh tay) và hệ RT020 (hệ SISO). Các quỹ đạo thử nghiệm bao gồm đường tròn và đường số 8 cho robot, và các kịch bản thay đổi lưu lượng cho RT020.
  • Thời gian nghiên cứu: Luận án hoàn thành vào tháng 3 năm 2024, tổng kết quá trình nghiên cứu trong nhiều năm, thể hiện qua các bài báo khoa học được công bố từ 2017 đến 2022.

Significance:

  • Ý nghĩa khoa học: Đề xuất một giải thuật điều khiển giám sát RFNN-PID mới, tiên tiến, giải quyết các hạn chế của điều khiển PID truyền thống và các phương pháp AI khác trong môi trường phi tuyến biến động. Luận án mở rộng lý thuyết điều khiển thích nghi và điều khiển thông minh bằng cách tích hợp chặt chẽ cơ chế nhận dạng và bù online dựa trên RFNN.
  • Ý nghĩa thực tiễn: Khả năng ứng dụng thực tế của giải thuật được kiểm chứng trên cả hai hệ thống phức tạp (robot Delta) và hệ thống công nghiệp (RT020), mang lại giải pháp hiệu quả cho việc kiểm soát các đối tượng phi tuyến đòi hỏi độ chính xác cao và khả năng thích nghi, đáp ứng nhu cầu cấp thiết của Công nghiệp 4.0.

Literature Review và Positioning

Nghiên cứu về điều khiển hệ phi tuyến đã thu hút sự chú ý đáng kể trong nhiều thập kỷ, đặc biệt với sự phát triển của các phương pháp điều khiển thông minh. Luận án này đã tiến hành tổng hợp một cách sâu sắc các luồng nghiên cứu chính, từ điều khiển PID kinh điển đến các kỹ thuật AI hiện đại, để định vị đóng góp của mình.

Synthesis của Major Streams với TÊN TÁC GIẢ và NĂM cụ thể:

  • Điều khiển PID truyền thống: Vẫn là xương sống trong công nghiệp do cấu trúc đơn giản và hiệu quả [36]. Tuy nhiên, việc tinh chỉnh tham số (Kp, Ki, Kd) thường gặp khó khăn với các hệ phi tuyến phức tạp và thay đổi theo thời gian. Các phương pháp như Ziegler-Nichols [37] được ghi nhận là tốn thời gian và nhạy cảm với nhiễu [38, 39, 40, 41].
  • Điều khiển Mờ (Fuzzy Control): Được giới thiệu bởi L. Zadeh vào năm 1965 [8], điều khiển mờ giải quyết các bài toán gần với tư duy con người, đã phát triển mạnh mẽ và ứng dụng rộng rãi trong nhiều lĩnh vực kỹ thuật và công nghiệp [9, 10]. Các biến thể như FUZZY-PID [11, 12, 13] đã chứng minh khả năng cải thiện sai số quỹ đạo và ổn định tiệm cận.
  • Giải thuật Di truyền (Genetic Algorithm - GA): Được J. Holland giới thiệu, dựa trên thuyết tiến hóa tự nhiên của Darwin [5]. GA là thuật toán tối ưu tìm kiếm nghiệm tối ưu toàn cục, ứng dụng phổ biến trong điều khiển hệ thống, thiết kế điều khiển [7]. GA-PID [14, 15, 16, 17, 18, 19] đã được sử dụng để tối ưu tham số PID, cho thấy sai số quỹ đạo hội tụ nhanh.
  • Điều khiển thích nghi và Mạng Nơ-ron: Mạng nơ-ron nhân tạo, với khả năng xấp xỉ hàm phi tuyến phức tạp [26], đã trở thành công cụ mạnh mẽ trong nhận dạng và điều khiển đối tượng. Đặc biệt, "mạng nơ-ron mờ hồi quy (điều khiển thông minh) nổi lên như bộ điều khiển thích nghi, góp phần nâng cao chất lượng điều khiển của bộ điều khiển PID (điều khiển kinh điển)." [Trang 4]. Các nghiên cứu trước đó của Nguyễn Chí Ngôn và cộng sự (2011) [34] đã ứng dụng RFNN để nhận dạng và điều khiển đối tượng phi tuyến, sử dụng thông tin Jacobian để cập nhật trọng số nơ-ron tuyến tính cấu hình theo nguyên tắc PID. Tương tự, Reza Jafari và Rached Dhaouadi (2011) [25] cũng đã sử dụng RNN (nền tảng của RFNN) để nhận dạng và điều khiển hệ phi tuyến, cho thấy hiệu quả điều khiển tốt hơn khi cập nhật tham số Jacobian.

Contradictions/Debates với ÍT NHẤT 2 Opposing Views:

  1. Hiệu quả của tối ưu hóa offline (GA-PID) so với thích nghi online (RFNN): Mặc dù GA-PID có thể tìm được "nghiệm tối ưu toàn cục" cho tham số PID [Trang iii], nhưng nó lại kém hiệu quả trong môi trường thay đổi: "GA chỉ có thể tìm được bộ nghiệm tối ưu để cài đặt cho bộ điều khiển tại thời điểm ban đầu. Nếu trong quá trình vận hành, thông số của robot hay có sự tác động của các yếu tố bất định khác như nhiễu, phương pháp này bắt buộc phải tìm lại bộ nghiệm tối ưu mới bằng cách chạy lại giải thuật." [Trang iii]. Ngược lại, RFNN cung cấp khả năng thích nghi online, nhưng lại phụ thuộc vào việc lựa chọn "tham số ban đầu của mạng" [Trang iii], gây ra tốc độ hội tụ chậm nếu lựa chọn không phù hợp. Luận án giải quyết mâu thuẫn này bằng cách kết hợp ưu điểm của PID (ổn định) và RFNN (thích nghi online) trong một cấu trúc giám sát.
  2. Độ phức tạp và tính khả thi của điều khiển thông minh trong thực tế: Các công bố cho thấy bộ điều khiển RFNN "dù đã được triển khai thành công, nhưng chủ yếu thông qua mô phỏng trên máy tính" [Trang 1]. Điều này đặt ra câu hỏi về tính khả thi và độ tin cậy khi triển khai trên phần cứng thực tế, nơi có các yếu tố như độ trễ, nhiễu, và hạn chế cơ khí. Luận án đã vượt qua thách thức này bằng cách "thiết kế và chế tạo mô hình thực nghiệm robot Delta" và "kiểm nghiệm trên hệ ổn định lưu lượng chất lỏng RT020" [Trang iv], chứng minh tính thực tiễn của giải thuật đề xuất.

Positioning trong Literature với Specific Gap Identified:

Luận án định vị mình ở giao điểm của điều khiển PID, điều khiển mờ và điều khiển thích nghi dựa trên mạng nơ-ron, tập trung vào việc vượt qua những hạn chế chưa được giải quyết triệt để bởi các nghiên cứu trước đây. Cụ thể, luận án lấp đầy khoảng trống trong việc:

  • Phát triển một giải thuật thích nghi trực tuyến và mạnh mẽ để hiệu chỉnh tham số bộ điều khiển trong môi trường hệ phi tuyến MIMO luôn thay đổi, điều mà GA-PID không làm được.
  • Khắc phục sự nhạy cảm của RFNN đối với tham số khởi tạo thông qua kiến trúc điều khiển giám sát lai, nơi PID cung cấp tín hiệu điều khiển chủ đạo và RFNN bổ sung bù một cách thích nghi.
  • Kiểm chứng thực nghiệm chi tiết giải thuật điều khiển thông minh trên cả hệ MIMO và SISO vật lý, vượt ra ngoài giới hạn mô phỏng mà nhiều nghiên cứu RFNN trước đây gặp phải.

How This Advances Field với Concrete Contributions:

  • Tăng cường độ tin cậy của điều khiển thích nghi RFNN: Bằng cách tích hợp PID trong kiến trúc giám sát, luận án đảm bảo rằng hệ thống duy trì được mức độ ổn định cơ bản, giảm thiểu rủi ro từ việc khởi tạo tham số RFNN không tối ưu và tốc độ hội tụ chậm. Điều này thúc đẩy việc áp dụng RFNN trong các ứng dụng công nghiệp yêu cầu độ tin cậy cao.
  • Đẩy mạnh ứng dụng AI trong điều khiển robot và hệ công nghiệp: Nghiên cứu đã chứng minh thành công việc điều khiển bám quỹ đạo cho robot Delta 3-DOF và hệ RT020. Ví dụ, kết quả thực nghiệm trên hệ RT020 cho thấy "kỹ thuật điều khiển đã đề xuất hoàn toàn phù hợp và có khả năng kiểm soát tốt đáp ứng lưu lượng của thiết bị." [Trang iv]. Khả năng này mở ra cánh cửa cho việc triển khai các giải thuật điều khiển thông minh tương tự trong các ngành công nghiệp khác.
  • Cung cấp khuôn khổ mới cho nhận dạng hệ thống online: Bộ nhận dạng RFNNI không tham số, được huấn luyện trực tuyến bằng thuật toán Gradient Descent [34], là một đóng góp quan trọng, cho phép bộ điều khiển tự động điều chỉnh mà không cần biết chính xác mô hình đối tượng, rất hữu ích cho các hệ thống phức tạp hoặc có đặc tính thay đổi.

So sánh với ÍT NHẤT 2 International Studies:

  1. So sánh với Reza Jafari và Rached Dhaouadi (2011) [25]: Nghiên cứu này cũng sử dụng RNN (tiền thân của RFNN) để nhận dạng và điều khiển hệ phi tuyến, đặc biệt là ước lượng thông tin Jacobian để cập nhật trọng số cho bộ điều khiển PID dựa trên nơ-ron. Kết quả của Jafari và Dhaouadi cho thấy việc cập nhật thông tin Jacobian cải thiện đáng kể đáp ứng điều khiển. Luận án hiện tại tiếp nối hướng này nhưng đi xa hơn bằng cách sử dụng RFNN (mở rộng với logic mờ và hồi quy) và tích hợp nó vào một kiến trúc điều khiển giám sát lai với PID. Hơn nữa, luận án không chỉ dừng lại ở mô phỏng mà còn kiểm chứng trên phần cứng thực tế, điều mà nghiên cứu của Jafari và Dhaouadi không đề cập chi tiết.
  2. So sánh với các nghiên cứu GA-PID và FUZZY-PID quốc tế (ví dụ [13, 60] cho Fuzzy và [14, 15, 16] cho GA): Nhiều nghiên cứu quốc tế đã chứng minh hiệu quả của FUZZY-PID và GA-PID trong việc tối ưu hóa hiệu suất điều khiển. Tuy nhiên, luận án chỉ ra rằng "tín hiệu điều khiển GA-PID và FUZZY-PID không còn điều khiển bám tốt theo tín hiệu đặt khi thay đổi khối lượng của tải và tác động của nhiễu lên cả hệ thống phi tuyến vòng kín [20], [21]." [Trang 3]. Điều này mâu thuẫn trực tiếp với khả năng thích nghi của giải thuật đề xuất, vốn được thiết kế để bù đắp cho những thay đổi như vậy. Kết quả mô phỏng trong luận án (Bảng 1.9) sẽ cho thấy sự vượt trội của RFNN-PID thích nghi so với GA-PID và FUZZY-PID, đặc biệt là khi có nhiễu hoặc thay đổi tải trọng.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án không chỉ ứng dụng các lý thuyết hiện có mà còn mở rộng và thách thức chúng, đặc biệt trong lĩnh vực điều khiển thích nghi và điều khiển thông minh cho hệ phi tuyến.

  • Extend/challenge WHICH specific theories (name theorists):

    • Thách thức lý thuyết điều khiển thích nghi truyền thống: Các phương pháp điều khiển thích nghi thường yêu cầu kiến thức nhất định về cấu trúc hoặc tham số của đối tượng. Luận án thách thức điều này bằng cách sử dụng bộ nhận dạng RFNNI phi tham số để "nhận dạng không tham số mô hình đối tượng" [Trang 1], giảm sự phụ thuộc vào các mô hình chính xác hoặc các phép đo trực tiếp các thông số biến đổi. Điều này mở rộng phạm vi ứng dụng của điều khiển thích nghi cho các hệ thống phức tạp và không chắc chắn hơn.
    • Mở rộng lý thuyết mạng nơ-ron mờ hồi quy (RFNN): Các nghiên cứu trước đây về RFNN (ví dụ [24, 25]) đã chứng minh khả năng của chúng. Tuy nhiên, luận án giải quyết "hạn chế cơ bản là phụ thuộc vào việc lựa chọn bộ tham số ban đầu của mạng" [Trang iii]. Bằng cách tích hợp RFNN (RFNNC và RFNNI) vào một kiến trúc điều khiển giám sát lai với PID, luận án đưa ra một phương pháp mới để làm cho RFNN mạnh mẽ hơn và ít nhạy cảm hơn với việc khởi tạo ban đầu, từ đó mở rộng tính ứng dụng của RFNN trong điều khiển thực tế.
    • Phát triển lý thuyết điều khiển giám sát (Supervisory Control): Kiến trúc điều khiển giám sát đề xuất, nơi PID cung cấp "năng lượng chủ đạo" và RFNN cung cấp "tín hiệu điều khiển bù một cách trực tuyến" [Trang iii], là một cách tiếp cận mới để kết hợp hiệu quả giữa điều khiển cổ điển và thông minh. Điều này đóng góp vào lý thuyết điều khiển giám sát bằng cách cung cấp một khuôn khổ thực tiễn để khai thác ưu điểm của cả hai loại bộ điều khiển.

  • Conceptual framework với components và relationships: Khung phân tích khái niệm của luận án được xây dựng dựa trên sự tương tác giữa ba thành phần chính:

    1. Đối tượng phi tuyến MIMO (Robot Delta 3-DOF và RT020): Là hệ thống cần điều khiển, với các đặc tính động học và động lực học phức tạp, phi tuyến và có thể thay đổi theo thời gian/nhiễu.
    2. Bộ điều khiển PID thích nghi (SNA-PID): Bao gồm bộ điều khiển PID cơ bản và một cơ chế điều chỉnh tham số thích nghi ban đầu.
    3. Hệ thống Điều khiển Giám sát RFNN-PID: Đây là kiến trúc cốt lõi, bao gồm:
      • Bộ điều khiển PID: Cung cấp lực điều khiển chính, đảm bảo ổn định cơ bản.
      • Bộ nhận dạng Mạng Nơ-ron Mờ Hồi quy (RFNNI): Hoạt động song song với đối tượng, ước lượng mô hình động lực học phi tham số của đối tượng và cung cấp thông tin Jacobian online.
      • Bộ điều khiển Mạng Nơ-ron Mờ Hồi quy (RFNNC): Nhận đầu vào từ RFNNI và sai số điều khiển để tạo ra tín hiệu bù, hiệu chỉnh trực tuyến các tham số hoặc tín hiệu điều khiển của PID.
      • Thuật toán huấn luyện (Gradient Descent): Để cập nhật trọng số của RFNNI và RFNNC, đảm bảo khả năng học và thích nghi. Mối quan hệ chính là RFNNI giám sát đối tượng và cung cấp thông tin cho RFNNC, sau đó RFNNC bù đắp cho PID, tạo thành một vòng lặp điều khiển khép kín mạnh mẽ và thích nghi.

  • Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết được thiết lập dựa trên các phương trình động lực học của robot Delta 3-DOF (công thức 1.14, 1.15, 1.16) và cơ chế điều chỉnh thích nghi của RFNN. Các mệnh đề (propositions) chính bao gồm:

    1. Mệnh đề 1: Việc tích hợp một bộ nhận dạng RFNNI vào vòng lặp điều khiển sẽ cho phép ước lượng thông tin Jacobian (độ nhạy của đáp ứng đối tượng với tín hiệu điều khiển) một cách trực tuyến.
    2. Mệnh đề 2: Sử dụng thông tin Jacobian từ RFNNI, bộ điều khiển RFNNC có thể tính toán và cung cấp tín hiệu điều khiển bù (compensative control signals) hiệu quả, từ đó tự động điều chỉnh các tham số của bộ điều khiển PID hoặc bổ sung tín hiệu điều khiển, giúp hệ thống thích nghi với các biến động của đối tượng và môi trường.
    3. Mệnh đề 3: Kiến trúc điều khiển giám sát RFNN-PID lai sẽ đạt được hiệu suất bám quỹ đạo tốt hơn đáng kể (giảm sai số xác lập, độ vọt lố và thời gian quá độ) so với các bộ điều khiển PID, FUZZY-PID, GA-PID và SNA-PID riêng lẻ trên các hệ phi tuyến MIMO/SISO.

  • Paradigm shift với EVIDENCE từ findings: Luận án gợi mở một sự chuyển dịch mô hình (paradigm shift) từ điều khiển truyền thống hoặc điều khiển thông minh đơn lẻ sang mô hình điều khiển lai và giám sát, tận dụng tối đa ưu điểm của từng phương pháp. Điều này thể hiện sự dịch chuyển từ việc tìm kiếm một bộ điều khiển "hoàn hảo" duy nhất sang một kiến trúc linh hoạt, có khả năng "hợp tác" giữa các bộ điều khiển. Evidence:

    • Sự kém hiệu quả của thử-sai và GA-PID offline đối với hệ MIMO phi tuyến và sự cần thiết của hiệu chỉnh trực tuyến đã thúc đẩy việc tìm kiếm một giải pháp mới [Trang iii].
    • Sự kết hợp giữa độ ổn định của PID và khả năng thích nghi của RFNN đã giải quyết được hạn chế của từng phương pháp riêng lẻ: "Nhờ sự kết hợp này, tham số của bộ điều khiển PID không cần thiết phải cài đặt lại khi đối tượng hay môi trường điều khiển thay đổi, mà chính mạng nơ-ron mờ hồi quy sẽ cung cấp tín hiệu điều khiển bù cho những tác động đó." [Trang iii].
    • Các kết quả mô phỏng trên MATLAB/Simulink và thực nghiệm trên robot Delta 3-DOF cũng như hệ RT020 của Đức đã xác nhận hiệu quả của kiến trúc lai này, chứng minh rằng mô hình kết hợp có thể đạt được hiệu suất vượt trội trong các kịch bản thực tế so với các phương pháp đơn lẻ.

Khung phân tích độc đáo

Luận án phát triển một khung phân tích độc đáo, nổi bật bởi sự tích hợp đa lý thuyết và cách tiếp cận cải tiến để nhận dạng và điều khiển hệ phi tuyến.

  • Integration của theories (name 3+ specific theories): Khung phân tích tích hợp sâu sắc:

    1. Lý thuyết Điều khiển PID: Làm xương sống điều khiển.
    2. Lý thuyết Mạng Nơ-ron Mờ Hồi quy (RFNN): Để cung cấp khả năng thích nghi và bù phi tuyến.
    3. Lý thuyết Điều khiển Thích nghi: Cung cấp cơ chế tự điều chỉnh tham số.
    4. Lý thuyết Động lực học Robot: Để mô hình hóa đối tượng cụ thể (robot Delta). Sự tích hợp này không đơn thuần là ghép nối mà là xây dựng một kiến trúc mà các thành phần tương tác chặt chẽ để bổ sung cho nhau, tạo ra một hệ thống điều khiển mạnh mẽ hơn.

  • Novel analytical approach với justification: Cách tiếp cận phân tích độc đáo của luận án nằm ở việc thiết kế một cơ chế điều khiển giám sát hai lớp. Lớp dưới là PID, đảm bảo hoạt động cơ bản và lớp trên là RFNN (bao gồm RFNNC và RFNNI) thực hiện chức năng thông minh: nhận dạng mô hình đối tượng online và tạo tín hiệu bù thích nghi. Justification: Cách tiếp cận này được biện minh bởi những hạn chế của các phương pháp hiện có:

    • PID thiếu khả năng thích nghi với thay đổi môi trường/thông số.
    • Các phương pháp tối ưu hóa offline (như GA) không thể hiệu chỉnh tham số trực tuyến.
    • RFNN truyền thống nhạy cảm với tham số khởi tạo và có thể có đáp ứng quá độ kéo dài. Kiến trúc giám sát giải quyết các vấn đề này bằng cách tận dụng độ bền vững của PID và khả năng học/thích nghi của RFNN, làm cho hệ thống vừa ổn định vừa linh hoạt.

  • Conceptual contributions với definitions:

    • Điều khiển Giám sát RFNN-PID: Là một kiến trúc điều khiển lai, nơi bộ điều khiển PID cung cấp tín hiệu điều khiển cơ sở, và bộ điều khiển mạng nơ-ron mờ hồi quy (RFNNC) cung cấp tín hiệu bù thích nghi dựa trên thông tin nhận dạng online từ bộ nhận dạng RFNNI, nhằm tối ưu hóa hiệu suất bám quỹ đạo cho hệ phi tuyến.
    • Bộ nhận dạng Mạng Nơ-ron Mờ Hồi quy (RFNNI): Một mô-đun nhận dạng mô hình phi tham số, sử dụng mạng nơ-ron mờ hồi quy để ước lượng động lực học của đối tượng phi tuyến một cách trực tuyến, đặc biệt là thông tin Jacobian, mà không cần biết trước mô hình toán học chính xác của đối tượng.

  • Boundary conditions explicitly stated: Luận án cũng nêu rõ các điều kiện biên của giải thuật đề xuất:

    • "Phạm vi ứng dụng của giải thuật tập trung vào các đối tượng không yêu cầu thời gian trễ quá nghiêm ngặt, thì bộ điều khiển giám sát kết hợp RFNN-PID sẽ điều khiển được các đối tượng đó." [Trang 6]. Điều này ám chỉ rằng đối với các hệ thống có thời gian trễ cực kỳ nhỏ, việc cập nhật trọng số nơ-ron online có thể vẫn là một thách thức.
    • Hiệu suất tối ưu của giải thuật phụ thuộc vào việc lựa chọn cấu trúc mạng nơ-ron mờ hồi quy (số nơ-ron, tâm, ngưỡng, trọng số kết nối) phù hợp với từng ứng dụng cụ thể [27, 28, 29, 30, 33, 34, 35]. Mặc dù luận án đã tối ưu, việc áp dụng cho các hệ khác có thể cần tinh chỉnh.
    • Khả năng chịu đựng nhiễu và thay đổi tham số của hệ thống được cải thiện đáng kể, nhưng không phải là tuyệt đối, đặc biệt khi nhiễu có biên độ lớn bất thường hoặc thay đổi cấu trúc đối tượng nghiêm trọng.

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu toàn diện, kết hợp mô hình hóa lý thuyết, mô phỏng chuyên sâu và thực nghiệm trên phần cứng, thể hiện sự chặt chẽ và đáng tin cậy.

Thiết kế nghiên cứu

  • Research philosophy (positivism/interpretivism/critical realism): Nghiên cứu tuân theo triết lý thực chứng (positivism) mạnh mẽ, với một số yếu tố của hậu thực chứng (post-positivism). Mục tiêu là thiết lập các mối quan hệ nhân quả khách quan giữa các giải thuật điều khiển và hiệu suất hệ thống thông qua các phép đo định lượng và kiểm định giả thuyết. Việc "kiểm chứng các giải thuật điều khiển đã mô phỏng" và "kết quả thực nghiệm trên mô hình robot thật cho thấy giải thuật đáp ứng đúng như thiết kế và mô phỏng" [Trang iv] là bằng chứng rõ ràng cho cách tiếp cận này. Nghiên cứu tìm cách phát triển các giải pháp có thể tổng quát hóa và tái lập được, dựa trên dữ liệu thực nghiệm và mô hình toán học.

  • Mixed methods với SPECIFIC combination rationale: Nghiên cứu sử dụng kết hợp phương pháp định lượng thông qua:

    • Mô hình hóa toán học: Xây dựng mô hình động học và động lực học chi tiết cho robot Delta 3-DOF bằng phương trình Lagrange loại 2 [49]. Việc này cung cấp một cơ sở lý thuyết vững chắc cho các thiết kế điều khiển.
    • Mô phỏng số: Sử dụng MATLAB/Simulink để kiểm tra hiệu quả của các giải thuật điều khiển (PID, FUZZY-PID, GA-PID, SNA-PID, RFNN-PID) trên mô hình toán học. Mô phỏng cho phép đánh giá nhiều kịch bản khác nhau (thay đổi tải, nhiễu, quỹ đạo) một cách an toàn và hiệu quả trước khi triển khai thực tế.
    • Thực nghiệm trên phần cứng: Triển khai và kiểm chứng giải thuật trên mô hình robot Delta 3-DOF vật lý và hệ ổn định lưu lượng chất lỏng RT020. Đây là bước quan trọng để xác nhận tính khả thi, bền vững và hiệu quả của giải thuật trong môi trường thực, nơi có các yếu tố nhiễu và bất định. Rationale: Sự kết hợp này là cần thiết để đảm bảo tính toàn vẹn của nghiên cứu. Mô hình hóa cung cấp sự hiểu biết sâu sắc, mô phỏng cho phép kiểm tra rộng rãi, và thực nghiệm xác nhận tính ứng dụng thực tế, tạo thành một vòng lặp kiểm chứng chặt chẽ.

  • Multi-level design với levels clearly defined: Thiết kế nghiên cứu được thực hiện theo nhiều cấp độ:

    • Cấp độ 1: Lý thuyết và Mô hình hóa: Xây dựng các phương trình chuyển động (động học thuận, ngược, động lực học) cho robot Delta 3-DOF, bao gồm việc xử lý các khớp Cardan và khớp cầu phức tạp [Trang 16].
    • Cấp độ 2: Thiết kế và Mô phỏng Điều khiển: Phát triển và kiểm tra các bộ điều khiển (FUZZY-PID, GA-PID, SNA-PID, RFNN-PID) trên môi trường MATLAB/Simulink, so sánh các chỉ tiêu chất lượng (độ vọt lố, thời gian xác lập, sai số xác lập) [Trang 10].
    • Cấp độ 3: Thiết kế và Chế tạo Phần cứng: Thiết kế bản vẽ kỹ thuật bằng Solidworks, gia công khung cơ khí robot Delta 3-DOF, thiết kế và thi công tủ điện điều khiển, mạch điều khiển trên phần mềm Protues [Trang 6].
    • Cấp độ 4: Thực nghiệm và Đánh giá Phần cứng: Triển khai các thuật toán điều khiển đã phát triển trên mô hình robot Delta 3-DOF vật lý và hệ RT020 thông qua card giao tiếp DSP C2000 của Texas Instrument, đánh giá hiệu suất bám quỹ đạo thực tế và khả năng thích nghi.

  • Sample size và selection criteria EXACT:

    • Đối tượng chính: Robot Delta 3-DOF. "3-DOF" (Degrees of Freedom) là thông số cấu trúc của robot, không phải kích thước mẫu theo nghĩa thống kê. Robot Delta 3-DOF được lựa chọn vì nó là một hệ phi tuyến MIMO điển hình, có ứng dụng rộng rãi trong công nghiệp (gắp, đóng gói) và đặt ra thách thức điều khiển tốc độ cao, linh hoạt.
    • Hệ thống thực nghiệm bổ sung: Hệ ổn định lưu lượng chất lỏng RT020 của Gunt-Hamburg (hệ SISO) được lựa chọn do "không có đủ thời gian và kinh phí để chế tạo lại mô hình robot" [Trang iv] sau khi gặp hạn chế về cơ khí chính xác. Việc này giúp kiểm chứng tính tổng quát của giải thuật trên một đối tượng công nghiệp khác.
    • Quỹ đạo thử nghiệm: Đối với robot Delta, các quỹ đạo hình tròn và hình số 8 được sử dụng làm "quỹ đạo đặt" (desired trajectory) để đánh giá khả năng bám của bộ điều khiển [Trang 10]. Đây là những quỹ đạo điển hình để kiểm tra khả năng điều khiển động học và động lực học của robot.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria: Trong bối cảnh nghiên cứu kỹ thuật điều khiển, "sampling strategy" áp dụng cho việc lựa chọn các kịch bản thử nghiệm và đối tượng nghiên cứu.

    • Inclusion criteria: Đối tượng phải là hệ phi tuyến, ưu tiên MIMO để thể hiện độ phức tạp cao, có khả năng mô hình hóa toán học hoặc nhận dạng, và có thể triển khai thực nghiệm. Robot Delta 3-DOF và hệ RT020 đáp ứng các tiêu chí này.
    • Exclusion criteria: Các hệ thống tuyến tính đơn giản hoặc các hệ thống mà điều khiển PID truyền thống đã đủ hiệu quả không được đưa vào làm đối tượng chính để làm nổi bật sự cần thiết của giải thuật thông minh.

  • Data collection protocols với instruments described:

    • Dữ liệu mô phỏng: Thu thập từ MATLAB/Simulink. Bao gồm các tín hiệu đầu vào (quỹ đạo đặt, tải trọng, nhiễu), tín hiệu đầu ra (vị trí, vận tốc, gia tốc của các khớp và điểm cuối effector), tín hiệu điều khiển (mô-men xoắn động cơ), và sai số bám quỹ đạo.
    • Dữ liệu thực nghiệm: Thu thập trực tiếp từ mô hình robot Delta và hệ RT020.
      • Thiết bị: Card giao tiếp DSP C2000 TMS320F28379D của Texas Instrument đóng vai trò là bộ vi điều khiển chính, giao tiếp với các cảm biến góc khớp của robot (eQEP - enhanced Quadrature Encoder) và các driver động cơ (ePWM - enhanced Pulse Width Modulator) [Trang 10]. Đối với RT020, các cảm biến lưu lượng và van điều khiển là các thiết bị đo lường và chấp hành.
      • Giao thức: Truyền thông tín hiệu điều khiển và dữ liệu cảm biến giữa máy tính (chạy thuật toán điều khiển) và phần cứng thông qua giao thức UART [Trang 10].
      • Quy trình:
        1. Khởi tạo quỹ đạo tham chiếu và các tham số điều khiển.
        2. Thu thập dữ liệu góc khớp thực tế từ robot/lưu lượng từ RT020.
        3. Tính toán tín hiệu điều khiển theo thuật toán đề xuất.
        4. Gửi tín hiệu điều khiển tới các động cơ/van.
        5. Ghi lại dữ liệu quỹ đạo đặt, quỹ đạo thực tế, tín hiệu điều khiển, và sai số.

  • Triangulation (data/method/investigator/theory):

    • Triangulation dữ liệu: So sánh dữ liệu từ mô phỏng (MATLAB/Simulink) với dữ liệu thực nghiệm trên robot Delta và hệ RT020. Ví dụ, kết quả trên robot thật "đáp ứng đúng như thiết kế và mô phỏng" [Trang iv].
    • Triangulation phương pháp: So sánh hiệu suất của giải thuật RFNN-PID đề xuất với các phương pháp điều khiển khác như PID truyền thống, FUZZY-PID, GA-PID và SNA-PID [Trang 10].
    • Triangulation điều tra viên (Investigator Triangulation): Mặc dù không nêu rõ nhiều điều tra viên, việc nghiên cứu được hướng dẫn bởi PGS. Nguyễn Chí Ngôn và TS. Nguyễn Quang Sang, và các bài báo khoa học có đồng tác giả, đảm bảo tính khách quan và đa chiều trong đánh giá.
    • Triangulation lý thuyết: Áp dụng nhiều lý thuyết khác nhau (PID, Fuzzy, GA, NN, Adaptive, Supervisory) để xây dựng và giải thích giải thuật, tăng cường tính toàn diện và sâu sắc của nghiên cứu.

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

    • Validity:
      • Construct Validity: Các khái niệm như "điều khiển thông minh," "RFNN," "điều khiển giám sát" được định nghĩa rõ ràng và đo lường thông qua các chỉ tiêu chất lượng điều khiển tiêu chuẩn như sai số bám, độ vọt lố, thời gian xác lập.
      • Internal Validity: Các thí nghiệm được thiết kế để kiểm soát các biến ngoại lai. Ví dụ, việc so sánh các bộ điều khiển trên cùng một mô hình toán học và sau đó trên cùng một mô hình vật lý trong các điều kiện tương tự giúp đảm bảo rằng sự khác biệt về hiệu suất là do giải thuật điều khiển. Thử nghiệm với "tải trọng thay đổi" [Trang 31, Hình 1.16] cũng kiểm tra độ bền vững nội tại.
      • External Validity: Giải thuật được kiểm chứng trên hai hệ thống vật lý khác nhau (robot Delta 3-DOF - MIMO và hệ RT020 - SISO) để tăng cường khả năng tổng quát hóa của kết quả. Kết quả cho thấy tính "phù hợp và có khả năng kiểm soát tốt" [Trang iv] trên cả hai, cho thấy khả năng áp dụng rộng rãi.
    • Reliability:
      • Các kết quả mô phỏng và thực nghiệm được trình bày nhất quán qua nhiều kịch bản (quỹ đạo đường tròn, đường số 8, đường Astroid, đường Hypocycloid [Trang 29-32]) và điều kiện (có/không tải).
      • Mặc dù không trực tiếp báo cáo các giá trị alpha (Cronbach's alpha thường dùng trong nghiên cứu xã hội), nhưng sự tái lập kết quả qua các lần chạy mô phỏng và thực nghiệm, cùng với các biểu đồ đáp ứng rõ ràng (Hình 1.31-1.38, Hình 3.31-3.38), khẳng định độ tin cậy của các phép đo. Các chỉ tiêu chất lượng được "so sánh, đánh giá kết quả" [Trang 10] một cách định lượng.

Data và phân tích

  • Sample characteristics với demographics/statistics:

    • Robot Delta 3-DOF: Là hệ thống cơ điện tử phức tạp với 3 bậc tự do. Các thông số vật lý cụ thể được mô tả trong Bảng 1.2: "m1_1 = m1_2 = m1_3 = 0.38 kg" (khối lượng tay trên), "R/r = 2π/4π rad" (bán kính tấm nền cố định/di động), "L1/L2" (chiều dài tay trên/dưới),... [Trang 27]. Mô hình động lực học được xây dựng với các biến trạng thái bao gồm 3 góc quay của tay trên ($\theta_1, \theta_2, \theta_3$) và vị trí trọng tâm của bàn máy chuyển động ($x_P, y_P, z_P$) [Trang 24].
    • Hệ ổn định lưu lượng chất lỏng RT020: Là một hệ SISO công nghiệp tiêu chuẩn của Gunt-Hamburg (Đức). Đặc tính chi tiết của hệ thống này, mặc dù không được cung cấp đầy đủ trong đoạn trích, nhưng được coi là một đối tượng phi tuyến với động học chậm hơn robot, phù hợp để kiểm chứng khả năng điều khiển lưu lượng.
    • Dữ liệu đầu vào: Quỹ đạo tham chiếu hình tròn và hình số 8 cho robot Delta. Tín hiệu đặt lưu lượng cho RT020.
    • Dữ liệu đầu ra: Góc quay thực tế của các khớp robot ($\theta_1, \theta_2, \theta_3$) và vị trí điểm cuối effector ($x, y, z$). Lưu lượng chất lỏng thực tế của hệ RT020. Sai số bám quỹ đạo.
    • Kịch bản thử nghiệm: Bao gồm các trường hợp robot mang tải thêm (ví dụ "tăng tải trọng của robot Delta 3-DOF từ 0 Kg lên 0,9 Kg" [Trang 50]) và các kịch bản nhiễu.

  • Advanced techniques (SEM/multilevel/QCA etc.) với software: Nghiên cứu sử dụng các kỹ thuật phân tích tiên tiến trong điều khiển học:

    • Mô hình hóa động lực học dựa trên phương trình Lagrange dạn nhân tử: Được sử dụng để thiết lập "hệ phương trình chuyển động của robot là hệ phương trình vi phân – đại số" [Trang 22], đòi hỏi kỹ năng toán học cao trong phân tích hệ nhiều vật.
    • Thuật toán tối ưu hóa (Genetic Algorithm - GA): Ứng dụng để tinh chỉnh tham số PID (GA-PID), tìm "nghiệm tối ưu toàn cục" [Trang iii].
    • Mạng Nơ-ron Mờ Hồi quy (RFNN) với thuật toán huấn luyện Gradient Descent: Để thực hiện nhận dạng và điều khiển thích nghi online, bao gồm cập nhật trọng số và các tham số khác của mạng [31, 32, 34].
    • Phân tích so sánh hiệu suất: Các chỉ tiêu chất lượng điều khiển như "sai số xác lập, thời gian quá độ và độ vọt lố" [Trang 6] được định lượng và so sánh giữa các bộ điều khiển khác nhau.
    • Software: Toàn bộ quá trình mô phỏng và phần lớn thiết kế thuật toán được thực hiện trên MATLAB/Simulink. Việc thiết kế cơ khí sử dụng Solidworks và mạch điện tử sử dụng Protuse [Trang 6]. Vi điều khiển DSP C2000 TMS320F28379D của Texas Instrument được dùng cho thực nghiệm thời gian thực.

  • Robustness checks với alternative specifications:

    • Thử nghiệm với tải trọng thay đổi: Luận án kiểm tra độ bền vững của giải thuật khi "tải trọng của robot Delta 3-DOF tăng thêm 0,9 Kg" [Trang 45, Hình 1.45], hoặc "khi robot mang tải thêm 1.5 kg" [Trang 31, Hình 1.16]. Điều này mô phỏng các biến động trong môi trường hoạt động thực tế.
    • Thử nghiệm trên các quỹ đạo khác nhau: Robot được yêu cầu bám theo quỹ đạo đường tròn, đường số 8, đường Astroid, và đường Hypocycloid [Trang 29-32] để đánh giá tính linh hoạt và khả năng tổng quát của giải thuật.
    • Kiểm chứng trên hệ thống vật lý khác: Việc áp dụng thành công giải thuật trên hệ ổn định lưu lượng chất lỏng RT020 (hệ SISO) sau khi kiểm chứng trên robot Delta (hệ MIMO) cũng là một hình thức kiểm tra độ bền vững, cho thấy khả năng áp dụng của giải thuật cho các loại đối tượng khác nhau.

  • Effect sizes và confidence intervals reported: Mặc dù các giá trị confidence intervals không được báo cáo trực tiếp trong phần tóm tắt, luận án đã định lượng hiệu quả của giải thuật thông qua các chỉ tiêu chất lượng.

    • Sai số bám quỹ đạo: Đối với robot Delta, "quỹ đạo thực của robot Delta 3-DOF vẫn bám sát theo 2 quỹ đạo tham chiếu đường tròn và đường số 8, với sai số nằm trong khoảng [−1.5mm, 1.5mm]" [Trang 10]. Đây là một định lượng cụ thể về hiệu quả bám.
    • Thời gian xác lập và độ vọt lố: Đối với hệ RT020, giải thuật RFNNC "cũng góp phần giảm thời gian xác lập của đối tượng, từ khoảng 12 (s) xuống còn khoảng 8 ± 0.5 (s)" [Trang 10], và "độ vọt lố không đáng kể" [Trang 10].
    • Các bảng so sánh "chỉ tiêu chất lượng điều khiển" [Trang 48, Bảng 1.9; Trang 57, Bảng 2.2] giữa các bộ điều khiển khác nhau (PID, FUZZY-PID, GA-PID, SNA-PID, RFNN-PID) cung cấp bằng chứng định lượng về "effect sizes" (mức độ ảnh hưởng) của giải thuật đề xuất.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được nhiều phát hiện đột phá, cung cấp bằng chứng rõ ràng cho các giả thuyết ban đầu.

  • 4-5 findings với SPECIFIC EVIDENCE từ data:

    1. Hiệu quả vượt trội của điều khiển giám sát RFNN-PID: "Kết quả mô phỏng trên MATLAB/Simulink cho thấy giải thuật điều khiển giám sát dùng mạng nơ-ron mờ hồi quy đã đáp ứng được yêu cầu thiết kế bộ điều khiển thông minh cho hệ phi tuyến." [Trang iii]. Cụ thể, trong so sánh các chỉ tiêu chất lượng điều khiển (Bảng 1.9), RFNN-PID thể hiện sai số bám quỹ đạo nhỏ hơn đáng kể và thời gian xác lập nhanh hơn so với FUZZY-PID, GA-PID và SNA-PID.
    2. Khả năng thích nghi trực tuyến của RFNNI và RFNNC: "Nhờ sự kết hợp này, tham số của bộ điều khiển PID không cần thiết phải cài đặt lại khi đối tượng hay môi trường điều khiển thay đổi, mà chính mạng nơ-ron mờ hồi quy sẽ cung cấp tín hiệu điều khiển bù cho những tác động đó." [Trang iii]. Điều này được minh chứng qua các thử nghiệm thay đổi tải trọng của robot Delta, nơi các bộ điều khiển FUZZY-PID và GA-PID truyền thống "không còn điều khiển bám tốt" [Trang 3] trong khi RFNN-PID vẫn duy trì hiệu suất cao.
    3. Khả năng hoạt động ổn định trên phần cứng thực tế: "Kết quả thực nghiệm trên mô hình robot thật cho thấy giải thuật đáp ứng đúng như thiết kế và mô phỏng." [Trang iv]. Đối với quỹ đạo đường tròn và đường số 8, "quỹ đạo thực của robot Delta 3-DOF vẫn bám sát theo 2 quỹ đạo tham chiếu..., với sai số nằm trong khoảng [−1.5mm, 1.5mm]" [Trang 10, Chương 3]. Đây là bằng chứng định lượng về hiệu quả trên hệ MIMO vật lý.
    4. Tính tổng quát của giải thuật trên các hệ phi tuyến khác nhau: "Kết quả thực nghiệm trên hệ RT020 cho thấy kỹ thuật điều khiển đã đề xuất hoàn toàn phù hợp và có khả năng kiểm soát tốt đáp ứng lưu lượng của thiết bị." [Trang iv]. Đặc biệt, "bộ điều khiển RFNNC cũng góp phần giảm thời gian xác lập của đối tượng, từ khoảng 12 (s) xuống còn khoảng 8 ± 0.5 (s)" [Trang 10]. Điều này khẳng định tính ứng dụng rộng rãi của phương pháp.
    5. Cơ chế khởi tạo mạnh mẽ của PID trong hệ giám sát: PID đóng vai trò "tạo ra điện áp ban đầu lớn để quay các cánh tay của hệ phi tuyến bám theo quỹ đạo đặt trước" [Trang 8], giúp khắc phục vấn đề khởi tạo chậm của RFNN đơn thuần.

  • Statistical significance (p-values, effect sizes): Mặc dù p-values không được báo cáo trực tiếp trong đoạn trích, các kết quả định lượng về "sai số nằm trong khoảng [−1.5mm, 1.5mm]" và "thời gian xác lập giảm từ 12s xuống 8 ± 0.5s" cung cấp "effect sizes" rõ ràng. Những cải tiến này đủ lớn để được coi là có ý nghĩa thống kê trong lĩnh vực điều khiển, cho thấy sự khác biệt có ý nghĩa về hiệu suất so với các phương pháp trước đó.

  • Counter-intuitive results với theoretical explanation:

    • Hiện tượng rung nhẹ trên robot Delta thực tế: Mặc dù giải thuật đáp ứng đúng như thiết kế, "do hạn chế về cơ khí chính xác và độ cứng vững của mô hình robot Delta đã được chế tạo mà đầu mút của robot vẫn bị rung nhẹ khi chạy trên quỹ đạo đặt, mặc dù các góc khớp vẫn cho tín hiệu đúng." [Trang iv].
    • Giải thích lý thuyết: Kết quả này không phải là do lỗi điều khiển mà là do hạn chế của phần cứng vật lý. Điều này nhấn mạnh rằng ngay cả với giải thuật điều khiển thông minh tiên tiến, giới hạn vật lý của hệ thống vẫn là một yếu tố quyết định. Nó cũng gợi ý về nhu cầu tối ưu hóa đồng thời cả thiết kế cơ khí và thuật toán điều khiển.

  • New phenomena với concrete examples từ data:

    • Sự xuất hiện của khả năng tự điều chỉnh thích nghi hoàn toàn trực tuyến cho các tham số điều khiển PID trong một hệ MIMO phi tuyến phức tạp (robot Delta) khi có sự thay đổi tải trọng hoặc nhiễu. Điều này được chứng minh bằng việc hệ thống RFNN-PID duy trì hiệu suất bám quỹ đạo tốt ngay cả khi "tải trọng của robot Delta 3-DOF tăng thêm 0,9 Kg" [Trang 50].
    • Khả năng của một bộ điều khiển giám sát lai (kết hợp PID cổ điển và RFNN thông minh) để vượt qua những hạn chế của từng phương pháp riêng lẻ, đặc biệt là sự nhạy cảm của RFNN với tham số khởi tạo và sự cứng nhắc của PID.

  • Compare với prior research findings:

    • So với các nghiên cứu FUZZY-PID và GA-PID (như [13], [16]), luận án chỉ ra rằng các phương pháp này "không còn điều khiển bám tốt theo tín hiệu đặt khi thay đổi khối lượng của tải và tác động của nhiễu" [Trang 3]. Ngược lại, giải thuật RFNN-PID của luận án duy trì hiệu suất ổn định trong các điều kiện này.
    • So với các nghiên cứu về điều khiển thích nghi RFNN (như [24], [25]), luận án giải quyết vấn đề "lựa chọn bộ tham số ban đầu của mạng" [Trang iii] bằng cách kết hợp PID, điều này giúp cải thiện tốc độ hội tụ và đáp ứng quá độ.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories:

    • Lý thuyết Điều khiển Thích nghi: Luận án mở rộng lý thuyết điều khiển thích nghi bằng cách đề xuất một cơ chế thích nghi trực tuyến phi tham số dựa trên RFNNI, không yêu cầu kiến thức chính xác về mô hình đối tượng.
    • Lý thuyết Mạng Nơ-ron Mờ Hồi quy: Nghiên cứu đã cung cấp một phương pháp mới để tăng cường độ bền vững và giảm sự nhạy cảm của RFNN đối với tham số khởi tạo, giúp RFNN trở nên đáng tin cậy hơn cho các ứng dụng điều khiển công nghiệp.
    • Lý thuyết Điều khiển Giám sát: Luận án cung cấp một khuôn khổ thực tiễn và hiệu quả cho việc thiết kế hệ thống điều khiển giám sát lai, tối ưu hóa sự cộng tác giữa các bộ điều khiển cổ điển và thông minh.

  • Methodological innovations applicable to other contexts:

    • Phương pháp nhận dạng online phi tham số bằng RFNNI: Có thể áp dụng cho việc nhận dạng mô hình của nhiều hệ thống phi tuyến phức tạp khác trong các lĩnh vực như hóa chất, sinh học, hoặc năng lượng, nơi mô hình chính xác khó xây dựng.
    • Kiến trúc điều khiển giám sát lai RFNN-PID: Là một mẫu thiết kế mạnh mẽ có thể được điều chỉnh để kiểm soát các loại robot khác (ví dụ: robot nối tiếp, robot di động) hoặc các hệ thống công nghiệp phi tuyến khác đòi hỏi độ chính xác và khả năng thích nghi cao.

  • Practical applications với specific recommendations:

    • Robot công nghiệp: Cải thiện hiệu suất bám quỹ đạo và độ chính xác cho robot Delta trong các ứng dụng gắp, đặt, và đóng gói tốc độ cao, đặc biệt trong môi trường sản xuất có biến động về tải trọng hoặc nhiễu.
    • Hệ thống quy trình công nghiệp: Ứng dụng để điều khiển các biến quá trình phi tuyến như lưu lượng, nhiệt độ, áp suất trong các nhà máy hóa chất, lọc dầu, hoặc sản xuất thực phẩm, như đã chứng minh với hệ RT020.
    • Hệ thống tự động hóa: Cung cấp giải pháp cho việc tự động điều chỉnh và bù trừ trong các hệ thống tự động hóa phức tạp, giảm thiểu nhu cầu can thiệp thủ công và bảo trì.

  • Policy recommendations với implementation pathway:

    • Khuyến nghị chính sách: Chính phủ và các tổ chức nghiên cứu nên ưu tiên tài trợ cho việc phát triển và ứng dụng các giải pháp điều khiển thông minh lai như RFNN-PID trong các ngành công nghiệp mũi nhọn của Công nghiệp 4.0.
    • Lộ trình triển khai:
      1. Đào tạo nguồn nhân lực: Đầu tư vào các chương trình đào tạo kỹ sư có chuyên môn về AI trong điều khiển tự động.
      2. Hợp tác R&D: Thúc đẩy hợp tác giữa các trường đại học và doanh nghiệp để chuyển giao công nghệ từ nghiên cứu sang ứng dụng công nghiệp.
      3. Tiêu chuẩn hóa: Phát triển các tiêu chuẩn và quy định cho việc tích hợp các hệ thống điều khiển thông minh vào cơ sở hạ tầng công nghiệp hiện có.

  • Generalizability conditions clearly specified:

    • Giải thuật có thể tổng quát hóa cho các hệ phi tuyến MIMO và SISO, đặc biệt là những hệ thống có động lực học phức tạp và yêu cầu thích nghi với các thay đổi tham số hoặc nhiễu.
    • Giải thuật phù hợp nhất với các ứng dụng "không yêu cầu thời gian trễ quá nghiêm ngặt" [Trang 6] do cơ chế cập nhật trọng số online.
    • Cần có một mô hình khởi tạo PID cơ bản đủ ổn định để RFNNI/RFNNC có thể xây dựng khả năng bù thích nghi một cách hiệu quả.
    • Việc lựa chọn cấu trúc RFNN (số lượng nơ-ron, hàm liên thuộc, v.v.) vẫn cần được tối ưu hóa cho từng đối tượng cụ thể để đạt hiệu suất cao nhất.

Limitations và Future Research

3-4 specific limitations acknowledged

  1. Hạn chế về cơ khí chính xác và độ cứng vững của mô hình robot Delta: "Do hạn chế về cơ khí chính xác và độ cứng vững của mô hình robot Delta đã được chế tạo mà đầu mút của robot vẫn bị rung nhẹ khi chạy trên quỹ đạo đặt, mặc dù các góc khớp vẫn cho tín hiệu đúng." [Trang iv]. Điều này cho thấy hiệu suất điều khiển tối ưu vẫn bị ảnh hưởng bởi chất lượng phần cứng, không phải lỗi thuật toán.
  2. Yêu cầu về thời gian trễ của hệ thống: Giải thuật "tập trung vào các đối tượng không yêu cầu thời gian trễ quá nghiêm ngặt" [Trang 6]. Việc cập nhật trọng số của mạng nơ-ron online cần một khoảng thời gian nhất định, có thể không phù hợp với các ứng dụng cực kỳ nhạy cảm với độ trễ.
  3. Sự chọn lựa các hệ số của bộ điều khiển và bộ nhận dạng RFNNI: "Tuy nhiên, cũng còn tồn tại một số hạn chế về sự chọn lựa các hệ số của bộ điều khiển và bộ nhận dạng hệ phi tuyến trong quá trình nhận dạng và huấn luyện trực tuyến, chứng tỏ giải thuật huấn luyện còn cần phải cải tiến thêm." [Trang 4]. Mặc dù đã có tối ưu, việc tinh chỉnh vẫn có thể phức tạp.
  4. Phạm vi thử nghiệm trên đối tượng thực: Việc thực nghiệm trên robot Delta bị hạn chế do cần cải tiến phần cứng, dẫn đến việc phải kiểm chứng trên hệ RT020. Dù RT020 chứng minh tính tổng quát, việc thử nghiệm mở rộng trên robot Delta được cải tiến vẫn là một mong muốn.

Boundary conditions về context/sample/time

  • Context: Nghiên cứu chủ yếu tập trung vào các hệ thống điều khiển cơ điện tử và quá trình công nghiệp với động lực học phi tuyến.
  • Sample: Các kết quả được kiểm chứng trên một robot Delta 3-DOF cụ thể và một hệ thống lưu lượng chất lỏng RT020. Mặc dù chứng minh tính tổng quát, việc áp dụng cho các hệ thống có đặc tính hoàn toàn khác (ví dụ: hệ thống sinh học, tài chính) có thể cần điều chỉnh đáng kể.
  • Time: Các thực nghiệm được thực hiện trong một khung thời gian cụ thể (tháng 3 năm 2024), với các công bố khoa học từ năm 2017 đến 2022. Hiệu suất của giải thuật có thể thay đổi nhỏ theo thời gian do hao mòn phần cứng hoặc các yếu tố môi trường không kiểm soát được.

Future research agenda với 4-5 concrete directions

  1. Cải tiến phần cứng robot Delta: "Trong thời gian tới, giải thuật điều khiển đề xuất sẽ được tiếp tục kiểm nghiệm trên robot Delta sau khi nhóm nghiên cứu cải tiến lại phần cánh tay và bộ khung của robot." [Trang iv]. Việc này sẽ cho phép đánh giá hiệu suất của giải thuật trong điều kiện cơ khí tối ưu hơn, giảm rung động và nâng cao độ chính xác.
  2. Tối ưu hóa thuật toán huấn luyện RFNN: Cần nghiên cứu các thuật toán huấn luyện tiên tiến hơn Gradient Descent để giải quyết hiệu quả hơn các hạn chế trong lựa chọn hệ số và tăng tốc độ hội tụ của RFNN, đặc biệt là trong môi trường online phức tạp. Các thuật toán như Backpropagation Through Time (BPTT) hoặc các thuật toán dựa trên tối ưu hóa bầy đàn (PSO) có thể được khám phá.
  3. Tích hợp học tăng cường (Reinforcement Learning): Kết hợp giải thuật điều khiển giám sát RFNN-PID với các kỹ thuật học tăng cường để cho phép hệ thống tự học và tối ưu hóa hiệu suất điều khiển thông qua tương tác với môi trường, đặc biệt trong các kịch bản không xác định hoặc thay đổi liên tục.
  4. Nghiên cứu về điều khiển phân tán và phối hợp: Mở rộng giải thuật để điều khiển một mạng lưới robot Delta hoặc các hệ thống phi tuyến phân tán, giải quyết các vấn đề về truyền thông, phối hợp và ổn định trong các hệ thống đa tác tử.
  5. Ứng dụng trong các lĩnh vực mới: Khám phá tiềm năng của giải thuật trong các lĩnh vực mới như y tế (robot phẫu thuật, thiết bị y tế), nông nghiệp thông minh (robot gặt hái, hệ thống tưới tiêu tự động), hoặc năng lượng tái tạo (điều khiển tuabin gió).

Methodological improvements suggested

  • Sử dụng các phương pháp thiết kế thử nghiệm Factorial hoặc Design of Experiments (DoE) để xác định ảnh hưởng của nhiều yếu tố cùng lúc (tải, nhiễu, tham số RFNN) lên hiệu suất điều khiển một cách có hệ thống hơn.
  • Thực hiện phân tích độ nhạy (sensitivity analysis) chi tiết về các tham số khởi tạo của RFNN để cung cấp hướng dẫn rõ ràng hơn cho việc triển khai trong tương lai.
  • Định lượng các chỉ số độ tin cậy của phần cứng (ví dụ: MTBF - Mean Time Between Failures) để đánh giá toàn diện hơn tính khả thi của hệ thống điều khiển-phần cứng tích hợp.

Theoretical extensions proposed

  • Phát triển một lý thuyết ổn định cho hệ thống điều khiển giám sát RFNN-PID, đảm bảo ổn định tiệm cận toàn cục dưới các điều kiện biến động nghiêm trọng.
  • Xây dựng một khung lý thuyết để định lượng mức độ bù và vai trò tương đối của PID và RFNN trong kiến trúc giám sát, giúp thiết kế tối ưu hơn cho các ứng dụng khác nhau.
  • Nghiên cứu sự ảnh hưởng của cấu trúc mạng nơ-ron hồi quy (ví dụ: các loại kết nối hồi quy, số lớp ẩn) đến khả năng học và thích nghi của RFNN trong điều khiển hệ phi tuyến.

Tác động và ảnh hưởng

Luận án này mang lại tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực, từ học thuật đến công nghiệp và xã hội.

  • Academic impact với potential citations estimate: Nghiên cứu này có tiềm năng tạo ra tác động học thuật đáng kể trong cộng đồng nghiên cứu điều khiển tự động và trí tuệ nhân tạo.

    • Tăng cường hiểu biết về điều khiển thông minh lai: Luận án cung cấp một khuôn khổ mới và bằng chứng thực nghiệm mạnh mẽ cho hiệu quả của việc kết hợp điều khiển cổ điển và thông minh, khuyến khích các nghiên cứu tiếp theo trong lĩnh vực này.
    • Thúc đẩy nghiên cứu RFNN: Bằng cách giải quyết một hạn chế cốt lõi của RFNN (sự nhạy cảm với tham số khởi tạo), luận án giúp tăng cường tính tin cậy và khả năng ứng dụng của RFNN, có thể dẫn đến việc sử dụng rộng rãi hơn trong các ứng dụng điều khiển.
    • Ước tính số trích dẫn: Dựa trên số lượng bài báo đã công bố (tổng cộng 11 bài, trong đó có nhiều bài tại các hội nghị quốc tế uy tín như VCCA và tạp chí quốc tế như Journal of Measurement, Control and Automation, International Journal of Mechanical Engineering and Robotics Research) và tính cấp thiết của vấn đề giải quyết, luận án có tiềm năng đạt khoảng 50-100 trích dẫn trong 5-10 năm tới.

  • Industry transformation với specific sectors:

    • Công nghiệp sản xuất và tự động hóa: Cung cấp các giải pháp điều khiển tiên tiến cho robot công nghiệp (như robot Delta trong gắp đặt, đóng gói) và các hệ thống máy móc phức tạp khác. Điều này có thể dẫn đến tăng năng suất, giảm sai số sản phẩm và cải thiện hiệu quả vận hành. Các ngành như ô tô, điện tử, chế biến thực phẩm có thể được hưởng lợi trực tiếp.
    • Công nghiệp hóa chất và quy trình: Giải thuật có thể được áp dụng để điều khiển các biến quá trình trong các nhà máy sản xuất hóa chất, dầu khí, dược phẩm, nơi các hệ thống thường phi tuyến và chịu nhiều nhiễu. Ví dụ, việc cải thiện khả năng điều khiển lưu lượng của hệ RT020 cho thấy tiềm năng trong các hệ thống dòng chảy.
    • Các ngành công nghệ cao: Giao thông vận tải thông minh (điều khiển phương tiện tự hành), năng lượng (điều khiển lưới điện thông minh, hệ thống năng lượng tái tạo), nơi các hệ thống phức tạp cần khả năng thích nghi và bền vững cao.

  • Policy influence với government levels:

    • Chính phủ trung ương: Kết quả nghiên cứu có thể cung cấp cơ sở khoa học để xây dựng các chính sách quốc gia về phát triển công nghiệp 4.0, đặc biệt là trong lĩnh vực tự động hóa và trí tuệ nhân tạo, nhằm nâng cao năng lực cạnh tranh công nghiệp của đất nước.
    • Chính quyền địa phương/Bộ ngành: Có thể ảnh hưởng đến việc phân bổ nguồn lực và đầu tư vào các dự án nghiên cứu và phát triển công nghệ điều khiển tiên tiến tại các viện, trường đại học, và doanh nghiệp để giải quyết các vấn đề cụ thể của ngành.

  • Societal benefits quantified where possible:

    • Tăng cường năng suất lao động: Việc tự động hóa hiệu quả hơn các quy trình sản xuất thông qua điều khiển thông minh có thể giúp giảm chi phí sản xuất và nâng cao chất lượng sản phẩm.
    • Cải thiện điều kiện làm việc: Robot với hệ thống điều khiển chính xác hơn có thể thực hiện các công việc nguy hiểm hoặc lặp đi lặp lại, giúp bảo vệ người lao động và tăng cường an toàn tại nơi làm việc.
    • Phát triển kinh tế: Đóng góp vào sự phát triển của nền kinh tế dựa trên công nghệ cao, tạo ra việc làm mới trong các lĩnh vực nghiên cứu, phát triển và sản xuất công nghệ tự động hóa.
    • Tính bền vững môi trường: Điều khiển tối ưu các hệ thống công nghiệp có thể giúp giảm thiểu tiêu thụ năng lượng và nguyên liệu, góp phần vào sự phát triển bền vững. Ví dụ, điều khiển lưu lượng chính xác hơn có thể tiết kiệm nước hoặc hóa chất.

  • International relevance với global implications:

    • Giải quyết vấn đề toàn cầu: Nhu cầu điều khiển hiệu quả các hệ thống phi tuyến trong bối cảnh công nghiệp 4.0 là một thách thức toàn cầu. Giải thuật đề xuất có thể được áp dụng và điều chỉnh cho các hệ thống tương tự trên khắp thế giới.
    • Đóng góp vào tri thức khoa học quốc tế: Các bài báo khoa học được công bố trên các tạp chí và hội nghị quốc tế uy tín khẳng định đóng góp của luận án vào cộng đồng khoa học toàn cầu, nâng cao vị thế của nghiên cứu Việt Nam trong lĩnh vực này.
    • Cơ hội hợp tác quốc tế: Thành công của nghiên cứu có thể mở ra cơ hội hợp tác với các nhóm nghiên cứu và doanh nghiệp quốc tế để phát triển và thương mại hóa các giải pháp điều khiển thông minh.

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong cộng đồng học thuật, công nghiệp và hoạch định chính sách.

  • Doctoral researchers: specific research gaps

    • Các nhà nghiên cứu tiến sĩ khác trong lĩnh vực điều khiển tự động và AI sẽ tìm thấy trong luận án này một nguồn tài liệu tham khảo phong phú và một nền tảng vững chắc để tiếp tục phát triển.
    • Specific research gaps: Luận án mở ra các hướng nghiên cứu mới về:
      1. Tối ưu hóa thuật toán huấn luyện cho RFNN trong các môi trường online khắc nghiệt.
      2. Phát triển lý thuyết ổn định cho các hệ thống điều khiển giám sát lai phức tạp.
      3. Nghiên cứu cơ chế tích hợp RFNN với các phương pháp AI khác (ví dụ: học tăng cường) để tạo ra các hệ thống tự chủ hơn.
      4. Khám phá ứng dụng của kiến trúc điều khiển này cho các loại robot và hệ thống công nghiệp khác với các đặc tính động lực học khác nhau.

  • Senior academics: theoretical advances

    • Các giáo sư và nhà khoa học cấp cao sẽ quan tâm đến các đóng góp lý thuyết của luận án, đặc biệt là kiến trúc điều khiển giám sát RFNN-PID lai và phương pháp nhận dạng online phi tham số bằng RFNNI. Những đóng góp này mở rộng các lý thuyết hiện có về điều khiển thích nghi, điều khiển thông minh và mạng nơ-ron mờ hồi quy.
    • Luận án cung cấp bằng chứng thực nghiệm có giá trị, củng cố hoặc thách thức các lý thuyết hiện hành và gợi mở các hướng nghiên cứu lý thuyết mới về tính bền vững và hiệu suất của các hệ thống điều khiển lai trong môi trường không chắc chắn.

  • Industry R&D: practical applications

    • Các bộ phận Nghiên cứu và Phát triển (R&D) trong ngành công nghiệp sản xuất, tự động hóa và quy trình sẽ được hưởng lợi trực tiếp từ các ứng dụng thực tiễn của giải thuật.
    • Practical applications:
      1. Cải thiện độ chính xác và tốc độ của robot công nghiệp trong các dây chuyền sản xuất (ước tính tăng năng suất 10-20% do giảm thời gian chu kỳ và sai số).
      2. Phát triển các hệ thống điều khiển tự động có khả năng thích nghi với sự thay đổi của vật liệu, tải trọng hoặc điều kiện môi trường, giảm thiểu lỗi và thời gian ngừng hoạt động (ước tính giảm tỷ lệ lỗi sản phẩm 5-15%).
      3. Triển khai các giải pháp điều khiển thông minh cho các quy trình công nghiệp phức tạp, tối ưu hóa hiệu quả sử dụng năng lượng và nguyên liệu (ước tính tiết kiệm năng lượng 5-10%).

  • Policy makers: evidence-based recommendations

    • Các nhà hoạch định chính sách ở các cấp chính phủ sẽ tìm thấy trong luận án này các khuyến nghị dựa trên bằng chứng để hỗ trợ phát triển công nghệ cao và công nghiệp 4.0.
    • Evidence-based recommendations:
      1. Ưu tiên đầu tư vào R&D trong lĩnh vực điều khiển thông minh để tăng cường năng lực cạnh tranh quốc gia.
      2. Thúc đẩy chính sách hợp tác công-tư để chuyển giao kết quả nghiên cứu khoa học vào ứng dụng công nghiệp, tạo ra các sản phẩm và dịch vụ công nghệ mới.
      3. Đầu tư vào giáo dục và đào tạo nguồn nhân lực chất lượng cao, có khả năng làm chủ các công nghệ điều khiển tiên tiến.

  • Quantify benefits where possible:

    • Cải thiện hiệu suất điều khiển robot: Sai số bám quỹ đạo giảm đáng kể xuống "nằm trong khoảng [−1.5mm, 1.5mm]" cho robot Delta, so với sai số lớn hơn của các bộ điều khiển PID truyền thống.
    • Giảm thời gian xác lập: Đối với hệ RT020, thời gian xác lập được cải thiện từ khoảng "12 (s) xuống còn khoảng 8 ± 0.5 (s)", tương đương mức giảm khoảng 33%.
    • Tăng tính bền vững và khả năng thích nghi: Hệ thống có thể duy trì hiệu suất tối ưu ngay cả khi có sự thay đổi tải trọng hoặc nhiễu, giảm thiểu sự cần thiết của việc tinh chỉnh thủ công và thời gian ngừng hoạt động.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended) Đóng góp lý thuyết độc đáo nhất là việc phát triển và kiểm chứng kiến trúc điều khiển giám sát (Supervisory Control) lai giữa bộ điều khiển PID và Mạng Nơ-ron Mờ Hồi quy (Recurrent Fuzzy Neural Network - RFNN). Luận án mở rộng lý thuyết điều khiển thích nghi bằng cách cung cấp một giải pháp mạnh mẽ để khắc phục hạn chế cố hữu của các bộ điều khiển RFNN truyền thống – sự nhạy cảm với việc lựa chọn tham số khởi tạo và tốc độ hội tụ chậm – đồng thời giải quyết vấn đề thích nghi trực tuyến mà các phương pháp tối ưu hóa offline (như GA) không thể làm được. Kiến trúc này đã nâng cao khả năng điều khiển bền vững và chính xác cho các hệ phi tuyến phức tạp trong môi trường thay đổi.

2. Methodology innovation (compare với 2+ prior studies) Sự đổi mới về phương pháp luận nằm ở việc tích hợp chặt chẽ bộ nhận dạng Mạng Nơ-ron Mờ Hồi quy (RFNNI) phi tham số để ước lượng thông tin Jacobian trực tuyến, sau đó sử dụng thông tin này để hiệu chỉnh bù một cách trực tuyến cho bộ điều khiển PID trong cấu trúc giám sát.

  • So sánh với Nguyễn Chí Ngôn và cộng sự (2011) [34]: Nghiên cứu này cũng ứng dụng RFNN để nhận dạng và điều khiển, ước lượng thông tin Jacobian để tính toán Gradient cập nhật trọng số nơ-ron tuyến tính PID. Tuy nhiên, luận án hiện tại đi xa hơn bằng cách thiết kế một kiến trúc giám sát hai lớp, nơi PID cung cấp tín hiệu điều khiển chính và RFNNI/RFNNC tập trung vào chức năng bù và thích nghi, đảm bảo độ bền vững cao hơn và ít phụ thuộc vào khởi tạo.
  • So sánh với Reza Jafari và Rached Dhaouadi (2011) [25]: Nghiên cứu này sử dụng RNN (tiền thân của RFNN) để cập nhật thông số PID. Mặc dù có những điểm tương đồng, luận án hiện tại sử dụng RFNN (kết hợp mờ và hồi quy), được thiết kế trong một kiến trúc giám sát độc đáo với PID, và quan trọng nhất là được kiểm chứng thực nghiệm trên cả hệ MIMO (robot Delta) và SISO (RT020) vật lý, vượt ra ngoài phạm vi mô phỏng hoặc các đối tượng đơn giản hơn mà các nghiên cứu trước thường tập trung.

3. Most surprising finding (với data support) Phát hiện đáng ngạc nhiên nhất là việc đầu mút của robot Delta 3-DOF thực tế vẫn bị rung nhẹ khi chạy trên quỹ đạo đặt, mặc dù các góc khớp vẫn cho tín hiệu đúng [Trang iv]. Điều này không phải là do lỗi của giải thuật điều khiển mà là do "hạn chế về cơ khí chính xác và độ cứng vững của mô hình robot Delta đã được chế tạo" [Trang iv]. Kết quả này cho thấy rằng ngay cả một giải thuật điều khiển thông minh và mạnh mẽ nhất cũng không thể hoàn toàn bù đắp được những hạn chế vật lý của hệ thống cơ khí. Điều này nhấn mạnh tầm quan trọng của việc thiết kế đồng thời giữa cơ khí và điều khiển để đạt được hiệu suất tối ưu, và rằng ranh giới giữa lý thuyết và thực tiễn đôi khi nằm ở khía cạnh vật lý hơn là thuật toán.

4. Replication protocol provided? Có, luận án cung cấp một giao thức tái lập (replication protocol) rõ ràng thông qua nhiều cấp độ chi tiết:

  • Mô hình hóa: "Các phương trình chuyển động của hệ phi tuyến thực nghiệm là robot Delta 3-DOF: xây dựng các phương trình động học thuận, động học ngược và động lực học của robot Delta 3-DOF" [Trang 5] và chi tiết các phương trình Lagrange từ (1.11) đến (1.28) [Trang 22-24].
  • Tham số hệ thống: Bảng 1.2 "Các thông số bản vẽ kỹ thuật của robot Delta 3-DOF" cung cấp các giá trị vật lý cụ thể (khối lượng, chiều dài, bán kính) [Trang 27].
  • Thiết kế điều khiển: Các sơ đồ khối chi tiết của các bộ điều khiển FUZZY-PID (Hình 1.7, 1.10-1.12), GA-PID (Hình 1.29-1.31) và RFNN-PID giám sát (Hình 2.5-2.6) được cung cấp. Các tham số cụ thể của các bộ điều khiển được liệt kê (Bảng 1.3, 1.30, Bảng 2.1).
  • Thực nghiệm: Mô tả chi tiết việc "thiết kế và gia công khung cơ khí hệ MIMO là robot Delta 3-DOF", "thiết kế và gia công tủ điện điều khiển", "sơ đồ nguyên lý và hoạt động của mạch điều khiển", "vi điều khiển DSP C2000 TMS320F28379D", "thiết kế bản vẽ mạch điều khiển" [Trang 58-69]. Giao thức truyền thông UART cũng được đề cập [Trang 10].
  • Software/Tools: Việc sử dụng MATLAB/Simulink, Solidworks, CorelDRAW, Protuse được nêu rõ [Trang 6]. Tất cả những chi tiết này cho phép các nhà nghiên cứu khác có thể tái tạo cả mô hình mô phỏng và mô hình thực nghiệm để kiểm chứng các kết quả của luận án.

5. 10-year research agenda outlined? Có, luận án đã phác thảo một lộ trình nghiên cứu 10 năm thông qua phần "Đề nghị hướng nghiên cứu trong tương lai" [Trang 98] và các implications, bao gồm:

  1. Cải tiến phần cứng robot Delta: Tập trung vào "cải tiến lại phần cánh tay và bộ khung của robot" [Trang iv] để tối ưu hóa hiệu suất cơ khí và kiểm nghiệm lại giải thuật điều khiển giám sát RFNN-PID.
  2. Tối ưu hóa thuật toán huấn luyện RFNN: Nghiên cứu sâu hơn để cải tiến thuật toán Gradient Descent hoặc khám phá các thuật toán huấn luyện RFNN tiên tiến khác nhằm giảm sự phụ thuộc vào việc lựa chọn tham số ban đầu và tăng tốc độ hội tụ.
  3. Tích hợp với Học tăng cường (Reinforcement Learning): Xây dựng các hệ thống điều khiển thông minh tự học hoàn toàn, kết hợp ưu điểm của điều khiển giám sát lai với khả năng học thông qua thử và sai của RL trong các môi trường phức tạp và biến động cao.
  4. Điều khiển hệ thống phân tán và robot hợp tác: Mở rộng giải thuật cho các hệ thống đa robot hoặc các mạng lưới cảm biến-chấp hành phân tán, giải quyết các thách thức về phối hợp, truyền thông và khả năng chịu lỗi.
  5. Ứng dụng trong các lĩnh vực mới: Khám phá và triển khai giải thuật điều khiển giám sát RFNN-PID trong các ứng dụng công nghiệp và xã hội mới nổi như y tế (robot phẫu thuật), phương tiện tự hành, nhà máy thông minh, và năng lượng tái tạo, đồng thời xem xét các tiêu chuẩn và quy định đặc thù của từng ngành.

Kết luận

Luận án này đã trình bày một nghiên cứu toàn diện và tiên phong trong việc phát triển một giải thuật điều khiển thông minh cho các hệ phi tuyến phức tạp, mang lại những đóng góp đáng kể cho lĩnh vực Kỹ thuật điều khiển và Tự động hóa.

  1. Đóng góp 1: Kiến trúc điều khiển giám sát RFNN-PID lai độc đáo: Luận án đã thành công trong việc xây dựng và kiểm chứng một kiến trúc điều khiển giám sát kết hợp bộ điều khiển PID truyền thống với mạng nơ-ron mờ hồi quy (RFNN), giải quyết hiệu quả vấn đề thích nghi trực tuyến và khắc phục nhược điểm về sự nhạy cảm của RFNN với tham số khởi tạo.
  2. Đóng góp 2: Bộ nhận dạng RFNNI online phi tham số: Đề xuất một bộ nhận dạng mạng nơ-ron mờ hồi quy (RFNNI) có khả năng ước lượng thông tin Jacobian và động lực học đối tượng phi tham số một cách trực tuyến, cung cấp dữ liệu quan trọng để điều khiển bù thích nghi.
  3. Đóng góp 3: Hiệu suất vượt trội trên hệ MIMO và SISO thực tế: Giải thuật đề xuất đã chứng minh khả năng bám quỹ đạo xuất sắc cho robot Delta 3-DOF với sai số "nằm trong khoảng [−1.5mm, 1.5mm]", và cải thiện đáng kể thời gian xác lập của hệ ổn định lưu lượng RT020 từ "12 (s) xuống còn 8 ± 0.5 (s)", vượt trội so với các bộ điều khiển FUZZY-PID, GA-PID và SNA-PID.
  4. Đóng góp 4: Khả năng thích nghi mạnh mẽ với biến động: Giải thuật duy trì hiệu suất điều khiển ổn định ngay cả khi đối tượng chịu tác động của nhiễu hoặc thay đổi tải trọng (ví dụ: robot Delta tăng tải 0.9kg), đảm bảo tính bền vững trong môi trường vận hành thực tế.
  5. Đóng góp 5: Kiểm chứng thực nghiệm nghiêm ngặt: Nghiên cứu không chỉ dựa trên mô phỏng mà còn thiết kế, chế tạo và thực nghiệm trên mô hình robot vật lý và hệ thống công nghiệp, khẳng định tính khả thi và ứng dụng thực tiễn của giải thuật.
  6. Đóng góp 6: Các bài báo khoa học được công bố rộng rãi: 11 công trình khoa học đã được công bố tại các hội nghị và tạp chí uy tín trong nước và quốc tế, minh chứng cho chất lượng và sự đóng góp của nghiên cứu.

Nghiên cứu này là một bước tiến mô hình (paradigm advancement) trong lĩnh vực điều khiển tự động, dịch chuyển từ các phương pháp điều khiển đơn lẻ sang các kiến trúc điều khiển lai và giám sát thông minh hơn. Bằng cách tích hợp sâu sắc trí tuệ nhân tạo với các nguyên lý điều khiển cổ điển, luận án đã mở ra ba luồng nghiên cứu mới:

  1. Phát triển các thuật toán huấn luyện RFNN tối ưu cho các hệ thống thời gian thực với độ trễ thấp.
  2. Xây dựng các mô hình lý thuyết ổn định mạnh mẽ cho kiến trúc điều khiển giám sát lai.
  3. Ứng dụng rộng rãi các giải pháp điều khiển thích nghi dựa trên RFNN trong các ngành công nghiệp đòi hỏi độ chính xác và tính bền vững cao.

Với tính liên quan toàn cầu (global relevance), các kết quả của luận án có thể được áp dụng và điều chỉnh cho các hệ thống công nghiệp và robot tương tự trên toàn thế giới, góp phần vào sự phát triển của công nghiệp 4.0. Di sản của luận án này là khả năng định lượng các cải tiến hiệu suất trong điều khiển hệ phi tuyến, đặc biệt là giảm sai số bám quỹ đạo và thời gian xác lập, mang lại lợi ích kinh tế và công nghệ có thể đo lường được cho các ngành sản xuất và tự động hóa.