Tổng quan về luận án

Luận án này tiên phong trong việc phát triển các phương pháp điều khiển dự báo phản hồi đầu ra (MPC-Output Feedback) cho một lớp đối tượng phi tuyến, một lĩnh vực còn nhiều thách thức trong kỹ thuật điều khiển hiện đại. Bối cảnh khoa học của nghiên cứu được đặt trong thực tiễn công nghiệp, nơi các quá trình phi tuyến phức tạp thường phải đối mặt với các hạn chế về khả năng đo lường trạng thái, độ phức tạp tính toán khi sử dụng mô hình phi tuyến trực tiếp, và sự thiếu vắng các phương pháp đảm bảo ổn định mạnh mẽ [12, 25, 28, 31, 39, 40]. Với hơn 3000 ứng dụng thành công của MPC trong công nghiệp hóa chất, dầu khí, và chế biến [18, 51], nhưng "tỷ lệ số lượng ứng dụng của kỹ thuật này còn khá khiêm tốn" đối với các đối tượng phi tuyến bị tác động bởi nhiễu [25, 31, 28], luận án đã xác định được một research gap cụ thể và cấp thiết.

Research gap SPECIFIC được luận án chỉ ra bao gồm ba khó khăn chính:

  1. Vấn đề đo lường trạng thái: Các biến trạng thái của quá trình phi tuyến bị nhiễu tác động "phần lớn, thậm chí là không thể đo được một cách đủ chính xác, để đảm bảo có được một chất lượng điều khiển tốt" [11, 19, 39]. Điều này đòi hỏi các bộ quan sát trạng thái hiệu quả.
  2. Độ phức tạp của mô hình dự báo phi tuyến: Khi sử dụng trực tiếp mô hình phi tuyến cho công việc dự báo, "công thức dự báo rất phức tạp với độ phức tạp nâng theo tỷ lệ cấp lũy thừa với độ rộng cửa sổ dự báo" [31, 40], gây khó khăn trong việc xác định các vector hàm $f_{ig}(\cdot)$ và tìm nghiệm tối ưu $u^*$ của hàm mục tiêu dạng phi tuyến cao.
  3. Hàm chặn cho ổn định: Với cửa sổ dự báo hữu hạn, kỹ thuật điều khiển dự báo luôn đòi hỏi hàm chặn để đảm bảo ổn định. Tuy nhiên, "với quá trình phi tuyến thì câu hỏi cần phải lựa chọn hàm chặn như thế nào mới hợp lý, cho tới nay vẫn còn bỏ ngỏ" [12, 40].

Để giải quyết những tồn tại trên, luận án đặt ra mục tiêu tổng quát là "nghiên cứu thiết kế được bộ điều khiển dự báo phản hồi đầu ra theo nguyên lý tách mang tính khả dụng cao cho những đối tượng phi tuyến". Các research questions chính dẫn dắt nghiên cứu bao gồm:

  1. Làm thế nào để phát triển một bộ quan sát trạng thái hiệu quả (như Lọc Kalman mở rộng - EKF) có thể xử lý các đối tượng phi tuyến với nhiễu ồn trắng, đặc biệt là khi các trạng thái không thể đo trực tiếp?
  2. Làm thế nào để xây dựng một mô hình dự báo tuyến tính hóa từng đoạn thay vì mô hình phi tuyến trực tiếp, nhằm giảm độ phức tạp tính toán trong điều khiển dự báo phản hồi trạng thái cho hệ phi tuyến?
  3. Làm thế nào để tích hợp bộ quan sát trạng thái và bộ điều khiển dự báo phản hồi trạng thái thành một bộ điều khiển phản hồi đầu ra theo nguyên lý tách, đảm bảo tính ổn định và khả năng cài đặt trong thực tế?
  4. Tính khả dụng và chất lượng của bộ điều khiển đề xuất được kiểm chứng như thế nào trên các đối tượng phi tuyến thực tế như con lắc ngược và con lắc ngược quay?

Luận án đề xuất một theoretical framework dựa trên sự kết hợp giữa Lý thuyết Điều khiển Dự báo (Model Predictive Control - MPC), Lý thuyết Lọc Kalman (Kalman Filter Theory), và Lý thuyết Ổn định (Stability Theory). Cụ thể, nó mở rộng và thách thức các phương pháp truyền thống của MPC và EKF bằng cách đề xuất tuyến tính hóa từng đoạn (piecewise linearization) mô hình phi tuyến trong cửa sổ dự báo hữu hạn, một cách tiếp cận khác biệt so với các nghiên cứu trước đây vốn sử dụng cửa sổ dự báo vô hạn [1, 12, 57].

Các đóng góp đột phá của luận án bao gồm:

  1. Phát triển phương pháp EKF dựa trên tuyến tính hóa từng đoạn: Đề xuất một phương pháp EKF mới trên cơ sở tuyến tính hóa từng đoạn mô hình phi tuyến của hệ dọc theo trục thời gian, khắc phục hạn chế của EKF truyền thống và UKF trong việc lựa chọn tham số [45]. Điều này được thể hiện qua Thuật toán 2.1 cho hệ song tuyến và Thuật toán 2.2 cho hệ phi tuyến tổng quát.
  2. Thiết kế bộ điều khiển dự báo phản hồi trạng thái với mô hình dự báo tuyến tính từng đoạn và cửa sổ hữu hạn: Giải quyết khó khăn thứ hai của MPC phi tuyến bằng cách sử dụng mô hình dự báo tuyến tính hóa từng đoạn trong cửa sổ dự báo hữu hạn. Cách tiếp cận này cho phép dễ dàng xử lý các điều kiện ràng buộc thông qua các thuật toán tối ưu hóa [53] và điều khiển bám trực tiếp theo tín hiệu đặt, không cần chuyển qua bài toán ổn định như LQR [1, 35, 57]. Các thuật toán cụ thể được xây dựng là Thuật toán 2.3 và 2.4 cho hệ song tuyến, và Thuật toán 2.5 và 2.6 cho hệ phi tuyến.
  3. Xây dựng bộ điều khiển dự báo phản hồi đầu ra theo nguyên lý tách tích hợp EKF: Tích hợp bộ quan sát trạng thái Kalman và bộ điều khiển dự báo phản hồi trạng thái đã đề xuất, tạo ra một giải pháp phản hồi đầu ra mạnh mẽ cho hệ phi tuyến. Điều này được chứng minh bằng Thuật toán 2.7.
  4. Kiểm chứng thực nghiệm trên đối tượng công nghiệp thực: Luận án đã "tiến hành thí nghiệm kiểm chứng lý thuyết trên mô hình thực: đối tượng con lắc ngược quay tại Phòng thí nghiệm Đo lường – Điều khiển của Trường Đại học Kỹ thuật Công nghiệp" [6]. Kết quả thí nghiệm khẳng định "tính đúng đắn của các thuật toán đề xuất trong luận án đồng thời khẳng định tính khả dụng vào thực tế của phương pháp đề xuất" [6]. Điều này định lượng hóa tác động thực tiễn của nghiên cứu, cho thấy bộ điều khiển có khả năng thích ứng với môi trường nhiễu và bất định.

Scope của luận án tập trung vào các đối tượng song tuyến và phi tuyến tổng quát, với mô hình được tuyến tính hóa rời rạc từng đoạn. Nghiên cứu sử dụng các mô hình mô phỏng hệ con lắc ngược và con lắc ngược quay, cùng với mô hình thí nghiệm con lắc ngược quay Kri PP-300 để kiểm chứng. Significance của luận án nằm ở khả năng cung cấp các thuật toán điều khiển dự báo khả thi, dễ cài đặt cho các đối tượng phi tuyến trong công nghiệp, đặc biệt là trong các tình huống mà các biến trạng thái không thể đo trực tiếp, từ đó nâng cao chất lượng và độ bền vững của hệ thống điều khiển tự động.

Literature Review và Positioning

Nghiên cứu về điều khiển dự báo (MPC) đã trải qua một quá trình phát triển đáng kể kể từ những năm 1970. Các dòng nghiên cứu chính ban đầu tập trung vào điều khiển dự báo phản hồi đầu ra cho hệ tuyến tính (LTI), bao gồm các phương pháp nổi bật như Model Algorithmic Control (MAC), Dynamic Matrix Control (DMC), và Generalized Predictive Control (GPC).

  • MAC [1, 25, 45] do các kỹ sư của Shell giới thiệu năm 1977, sử dụng mô hình đáp ứng xung hữu hạn (Eq. 1.10) và hàm mục tiêu toàn phương (Eq. 1.11). MAC phù hợp cho hệ SISO ổn định, bị nhiễu hằng tác động ở đầu ra, và động học đủ chậm.
  • DMC [1, 25] sử dụng mô hình đáp ứng bước nhảy (Eq. 1.14) và cũng dựa trên hàm mục tiêu toàn phương. So với MAC, DMC được đánh giá là bền vững hơn và dễ cài đặt, mặc dù yêu cầu cửa sổ dự báo lớn hơn khi có ràng buộc.
  • GPC [1, 25, 45] là một trong những phương pháp phổ biến và được ứng dụng rộng rãi nhất, có khả năng xử lý các đối tượng không ổn định hoặc pha không cực tiểu, và dễ dàng mở rộng cho hệ MIMO. GPC sử dụng mô hình hàm truyền và giải phương trình Diophantine (Eq. 1.18) để có mô hình dự báo.

Tuy nhiên, các phương pháp này chủ yếu chỉ dừng lại ở các đối tượng tuyến tính. Sự dịch chuyển sang điều khiển các đối tượng phi tuyến đã làm lộ rõ những contradictions và debates chính. Vấn đề lớn nhất là "phần lớn các kết quả nghiên cứu về điều khiển dự báo phi tuyến chỉ tập trung vào phản hồi trạng thái [31, 40]" trong khi trong thực tế, "toàn bộ trạng thái của đối tượng thường không thể đo được và không phải là có sẵn" [34]. Điều này tạo ra một khoảng trống lớn trong ứng dụng điều khiển dự báo vào các quá trình phi tuyến trong công nghiệp khi các biến trạng thái không đo được.

Để giải quyết vấn đề này, một xu hướng tự nhiên là sử dụng thêm các bộ quan sát trạng thái (ví dụ, bộ lọc Kalman) để ước lượng trạng thái từ các tín hiệu vào ra đo được [11, 19]. Các bộ lọc Kalman mở rộng (EKF) đã được phát triển để áp dụng cho hệ phi tuyến bằng cách tuyến tính hóa mô hình phi tuyến thông qua các phương pháp như phép đổi biến vi phôi (EKF loại 1, Thuật toán 1.7), tuyến tính hóa xung quanh quỹ đạo tiền định (EKF loại 2, Thuật toán 1.8), hoặc tuyến tính hóa các bước tính bên trong thuật toán (EKF loại 3, Thuật toán 1.9) [12, 35, 61]. Một phương pháp khác là Unscented Kalman Filter (UKF) (Thuật toán 1.10) [44, 45], được cho là chính xác hơn EKF khi hệ có tính phi tuyến cao, nhưng lại đòi hỏi lựa chọn các tham số $\kappa, \alpha, \beta$ mà "gợi ý cho việc lựa chọn một cách hợp lý lại chưa có" [33].

Về positioning trong literature, luận án này nằm ở giao điểm của điều khiển dự báo phi tuyến và ước lượng trạng thái, cụ thể là phản hồi đầu ra. Nó giải quyết trực tiếp một gap lớn: thiếu các phương pháp điều khiển dự báo phi tuyến phản hồi đầu ra mang tính khả dụng cao, dễ cài đặt, có khả năng xử lý nhiễu ồn trắng và đảm bảo tính ổn định, đặc biệt là với các đối tượng công nghiệp phức tạp.

So sánh với ít nhất 2 international studies:

  1. David A. Coop (2016) [29]: Nghiên cứu này ứng dụng thuật toán ước lượng trạng thái của bộ ước lượng Moving Horizon trong bộ điều khiển MPC phi tuyến. Mặc dù đây là một phương pháp tiên tiến để ước lượng trạng thái, Moving Horizon Estimation (MHE) thường đòi hỏi giải bài toán tối ưu hóa tại mỗi bước thời gian, làm tăng đáng kể độ phức tạp tính toán so với EKF. Luận án hiện tại tập trung vào EKF, một phương pháp có hiệu quả tính toán cao hơn cho ứng dụng thực tế.
  2. Rui Huang (2010) [62]: Nghiên cứu của Rui Huang sử dụng bộ ước lượng Moving Horizon Estimate (MHE) và sau đó là bộ quan sát EKF để quan sát trạng thái, với kết quả dừng lại ở mô phỏng cho đối tượng cụ thể là hệ thống điều khiển quá trình. Luận án hiện tại vượt trội hơn bằng cách không chỉ sử dụng EKF (đặc biệt là EKF loại 3) mà còn tích hợp nó với một phương pháp tuyến tính hóa từng đoạn mới, và quan trọng nhất là "kiểm chứng phương pháp bằng mô phỏng, thực nghiệm" [6].

Luận án này advances the field bằng cách cung cấp "những thuật toán dễ cài đặt, cũng như chứng minh tính ổn định của hệ kín bằng lý thuyết và kiểm chứng phương pháp bằng mô phỏng, thực nghiệm" [6], điều mà nhiều công trình trước đó (ví dụ [29, 59, 42, 62, 49, 17, 38, 65]) chỉ dừng lại ở việc thiết kế cho các đối tượng cụ thể hoặc chỉ kiểm chứng bằng mô phỏng. Đặc biệt, việc sử dụng "cửa sổ dự báo hữu hạn" là một bước tiến quan trọng, cho phép "sử dụng trực tiếp các phương pháp quy hoạch phi tuyến để xử lý các điều kiện ràng buộc" [38], vốn là hạn chế của các phương pháp tuyến tính hóa từng đoạn trước đây sử dụng cửa sổ dự báo vô hạn [1, 12, 57].

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này extend và challenge một số lý thuyết điều khiển đã có bằng cách tích hợp và cải tiến chúng một cách độc đáo. Cụ thể, nó mở rộng Lý thuyết Lọc Kalman (Kalman, 1960) cho các hệ phi tuyến không chỉ thông qua EKF truyền thống mà còn qua một phương pháp tuyến tính hóa từng đoạn mới, làm cho việc áp dụng lọc Kalman cho các hệ phi tuyến trở nên hiệu quả và khả thi hơn trong điều kiện thực tế. Nó cũng thách thức các giả định phổ biến trong Lý thuyết Điều khiển Dự báo (MPC), đặc biệt là việc sử dụng trực tiếp mô hình phi tuyến cho dự báo hoặc yêu cầu cửa sổ dự báo vô hạn cho việc chứng minh ổn định, như được đề xuất trong [12, 1, 57].

Các đóng góp lý thuyết chính bao gồm:

  • Mở rộng Lọc Kalman tuyến tính (KF) cho hệ phi tuyến thông qua tuyến tính hóa từng đoạn: Thay vì chỉ dựa vào các dạng EKF truyền thống (loại 1, 2, 3) hoặc UKF, luận án "đã đề xuất một phương pháp khác cũng để mở rộng lọc Kalman tuyến tính (KF) cho việc áp dụng vào hệ phi tuyến trên cơ sở tuyến tính hóa từng đoạn mô hình phi tuyến của hệ dọc theo trục thời gian và được dịch chuyển trên trục thời gian cùng với cửa sổ dự báo của bộ điều khiển dự báo" [5]. Điều này được cụ thể hóa bằng Thuật toán 2.1 để quan sát trạng thái hệ song tuyến và Thuật toán 2.2 để quan sát trạng thái hệ phi tuyến tổng quát.
  • Phát triển phương pháp điều khiển dự báo phản hồi trạng thái với cửa sổ dự báo hữu hạn: Luận án "đã xây dựng được phương pháp điều khiển dự báo phản hồi trạng thái hệ phi tuyến trên cơ sở sử dụng mô hình dự báo tuyến tính từng đoạn với cửa sổ dự báo hữu hạn" [5]. Phương pháp này (được cụ thể hóa bởi Thuật toán 2.3, 2.4, 2.5, 2.6) cho phép "dễ dàng xử lý được các điều kiện ràng buộc nhờ các thuật toán tối ưu hóa [53]" và "điều khiển được tín hiệu ra bám trực tiếp theo tín hiệu đặt cho trước mà không cần phải chuyển qua bài toán điều khiển ổn định" [3]. Đây là một cải tiến đáng kể so với các nghiên cứu của [1, 12, 57] vốn sử dụng cửa sổ dự báo vô hạn.
  • Đề xuất và chứng minh định lý ổn định: Luận án "Đề xuất và chứng minh định lý ổn định, qua đó khẳng định được tính triệt để của các bộ điều khiển dự báo đề xuất" [4]. Mặc dù chi tiết định lý không được cung cấp trong đoạn trích, tuyên bố này cho thấy một đóng góp lý thuyết quan trọng về mặt nền tảng toán học, thường liên quan đến các khái niệm như Ổn định đầu vào-trạng thái (Input-to-State Stability - ISS) hoặc ổn định tiệm cận.

Conceptual framework của luận án dựa trên nguyên lý tách, bao gồm hai thành phần chính:

  1. Bộ quan sát trạng thái phi tuyến (Nonlinear State Observer): Sử dụng EKF được cải tiến thông qua tuyến tính hóa từng đoạn để ước lượng chính xác trạng thái $x_k$ từ các tín hiệu vào $u_k$ và ra $y_k$ đo được. Điều này tạo ra một ước lượng $\hat{x}_k \approx x_k$, đóng vai trò quan trọng trong việc khắc phục hạn chế về khả năng đo lường trạng thái.
  2. Bộ điều khiển dự báo phản hồi trạng thái phi tuyến (Nonlinear State-Feedback Predictive Controller): Sử dụng mô hình dự báo tuyến tính hóa từng đoạn cùng với cửa sổ dự báo hữu hạn để tính toán tín hiệu điều khiển tối ưu $u_k^*$. Hàm mục tiêu (Eq. 1.36) được tối ưu hóa để đảm bảo chất lượng bám và ổn định.

Hai thành phần này được ghép chung để tạo thành một bộ điều khiển phản hồi đầu ra theo nguyên lý tách (Hình 1.2), trong đó EKF đóng vai trò như một khối tiền xử lý, cung cấp trạng thái ước lượng cho bộ điều khiển dự báo. Điều này cho phép "bộ lọc Kalman với việc xấp xỉ $\hat{x}_k \approx x_k$ sẽ không làm thay đổi chất lượng mà bộ điều khiển phản hồi trạng thái đã mang lại cho hệ thống" [22].

Theoretical model của luận án được xây dựng dựa trên các hệ phương trình trạng thái phi tuyến (Eq. 1.30) và hệ thống nhiễu (Eq. 1.37), với các propositions/hypotheses:

  • Hypothesis 1: Việc tuyến tính hóa từng đoạn mô hình phi tuyến và sử dụng cửa sổ dự báo hữu hạn sẽ giảm độ phức tạp tính toán và cho phép xử lý hiệu quả các ràng buộc trong MPC phi tuyến.
  • Hypothesis 2: EKF loại 3, khi được điều chỉnh để tương thích với mô hình tuyến tính hóa từng đoạn, có thể cung cấp ước lượng trạng thái đủ chính xác cho các đối tượng phi tuyến có nhiễu cộng tính (Eq. 1.37).
  • Hypothesis 3: Sự kết hợp của bộ điều khiển dự báo phản hồi trạng thái dựa trên tuyến tính hóa từng đoạn và bộ quan sát EKF cải tiến sẽ tạo ra một bộ điều khiển dự báo phản hồi đầu ra ổn định và khả thi cho các đối tượng phi tuyến.

Luận án có tiềm năng tạo ra một paradigm shift nhỏ trong thiết kế MPC phi tuyến bằng cách chuyển trọng tâm từ việc cố gắng sử dụng trực tiếp các mô hình phi tuyến phức tạp sang một phương pháp "tuyến tính hóa từng đoạn" thông minh, dễ cài đặt và vẫn đảm bảo hiệu suất. Bằng chứng cho điều này là kết quả thực nghiệm thành công trên mô hình con lắc ngược quay, một đối tượng phi tuyến điển hình, chứng minh tính khả thi của phương pháp đề xuất trong môi trường thực.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp sâu sắc ba lý thuyết nền tảng: Lý thuyết Điều khiển Dự báo (MPC), Lý thuyết Lọc Kalman (KF) và Lý thuyết Hệ thống Phi tuyến (Nonlinear Systems Theory). Nó không chỉ đơn thuần ghép nối các phương pháp mà còn tạo ra một analytical approach novel dựa trên sự tương thích giữa việc tuyến tính hóa từng đoạn cho cả bộ quan sát và bộ điều khiển.

  • Integration của theories: Luận án tích hợp Lý thuyết Điều khiển Dự báo để xây dựng chiến lược điều khiển tối ưu, Lý thuyết Lọc Kalman để ước lượng trạng thái trong môi trường nhiễu, và Lý thuyết Hệ thống Phi tuyến để mô hình hóa và phân tích các đối tượng phức tạp. Sự tích hợp này đặc biệt thông qua việc sử dụng một mô hình tuyến tính hóa từng đoạn cho cả hai khối quan sát và điều khiển, đảm bảo tính nhất quán và hiệu quả.
  • Novel analytical approach với justification: Cách tiếp cận độc đáo nằm ở việc sử dụng "mô hình dự báo tuyến tính hóa tại từng thời điểm trích mẫu để làm mô hình dự báo" [2], kết hợp với "lọc Kalman mở rộng để quan sát trạng thái của đối tượng phi tuyến" [2]. Việc này được justification bởi nhu cầu vượt qua "khó khăn thứ hai" (độ phức tạp của mô hình dự báo phi tuyến) và "khó khăn thứ nhất" (không thể đo trạng thái) [2]. Bằng cách này, "hàm mục tiêu trở nên thuần túy là một hàm toàn phương theo tín hiệu điều khiển" [2], cho phép sử dụng các thuật toán tối ưu hóa quen thuộc như QP hay SQP [53] để xử lý ràng buộc và đảm bảo ổn định.
  • Conceptual contributions với definitions: Luận án đóng góp các định nghĩa rõ ràng về "điều khiển dự báo phản hồi đầu ra theo nguyên lý tách" (separation principle) cho hệ phi tuyến, trong đó "bộ lọc Kalman với việc xấp xấp trạng thái $\hat{x}_k \approx x_k$ sẽ không làm thay đổi chất lượng mà bộ điều khiển phản hồi trạng thái đã mang lại cho hệ thống" [22]. Nó cũng định nghĩa lại cách tiếp cận EKF thông qua tuyến tính hóa từng đoạn, khác biệt so với các loại EKF truyền thống bằng cách dịch chuyển cửa sổ dự báo cùng với trục thời gian.
  • Boundary conditions explicitly stated: Luận án tập trung vào "những đối tượng phi tuyến" nói chung và "đối tượng song tuyến (bilinear)" nói riêng, bao gồm cả "hệ hợp thức chặt và hợp thức không chặt" [3]. Các nhiễu được giả định là "nhiễu phân bố chuẩn, có kỳ vọng bằng 0 (nhiễu Gauss) và ồn trắng" [20, 26], với các ma trận hiệp phương sai xác định ($\Psi_k, \Phi_k$). Các giả định về khả vi của các vector hàm $f_k(\cdot), g_k(\cdot)$ là cần thiết cho quá trình tuyến tính hóa. Nghiên cứu cũng nhấn mạnh việc sử dụng "cửa sổ dự báo hữu hạn", phân biệt với các nghiên cứu trước đây vốn sử dụng cửa sổ dự báo vô hạn [1, 12, 57].

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng một thiết kế nghiên cứu tích hợp, kết hợp ba phương pháp chính: nghiên cứu lý thuyết, mô phỏng, và thực nghiệm [3]. Phương pháp luận này thể hiện một cách tiếp cận positivist mạnh mẽ, với mục tiêu xây dựng và kiểm chứng các lý thuyết và thuật toán có thể dự đoán và kiểm soát một cách khách quan các đối tượng vật lý.

  • Research philosophy: Luận án chủ yếu tuân theo triết lý nghiên cứu positivism. Điều này được thể hiện qua việc xây dựng các mô hình toán học (phương trình trạng thái, hàm mục tiêu), thiết kế các thuật toán điều khiển và quan sát dựa trên các nguyên tắc tối ưu hóa và ổn định, và sau đó kiểm chứng tính đúng đắn và hiệu quả của chúng thông qua dữ liệu định lượng từ mô phỏng và thực nghiệm. Mục tiêu là phát triển các phương pháp "khả dụng cao" [2], mang lại kết quả khách quan và có thể lặp lại.
  • Mixed methods với SPECIFIC combination rationale: Luận án sử dụng một chuỗi mixed methods (sequential explanatory design).
    1. Nghiên cứu lý thuyết: Bắt đầu bằng việc phân tích và tổng hợp kiến thức hiện có về MPC và lọc Kalman, sau đó "Thiết kế thêm bộ quan sát Kalman theo nguyên lý tối ưu" và "Thiết kế các thuật toán điều khiển dự báo phản hồi trạng thái, điều khiển dự báo phản hồi đầu ra cho đối tượng song tuyến, phi tuyến" [3]. Bước này đặt nền tảng toán học và algorithmic.
    2. Nghiên cứu mô phỏng: "Sử dụng công cụ Matlab – Simulink để mô phỏng kiểm chứng các nhận định lý thuyết và các thuật toán đã đề xuất" [3]. Mô phỏng là bước trung gian quan trọng để xác nhận tính khả thi và hiệu suất ban đầu của các thuật toán trước khi chuyển sang thử nghiệm thực tế.
    3. Nghiên cứu thực nghiệm: "Sử dụng mô hình thí nghiệm để kiểm chứng tính đúng đắn các lý thuyết đã nghiên cứu được" [3]. Bước này là kiểm chứng cuối cùng trên hệ thống vật lý thực tế, khẳng định tính khả dụng và hiệu quả của các phương pháp trong điều kiện môi trường có nhiễu và bất định. Sự kết hợp này được biện minh bởi nhu cầu đảm bảo cả tính đúng đắn lý thuyết và khả năng áp dụng thực tiễn của các thuật toán điều khiển cho đối tượng phi tuyến.
  • Multi-level design với levels clearly defined: Mặc dù không được định nghĩa rõ ràng như một thiết kế đa cấp điển hình trong khoa học xã hội, nghiên cứu này có thể được xem xét ở các cấp độ:
    • Cấp độ mô hình toán học: Phát triển các phương trình và thuật toán điều khiển cho hệ song tuyến và hệ phi tuyến tổng quát (Eq. 1.30, 1.37).
    • Cấp độ mô phỏng: Ứng dụng các thuật toán này trên các mô hình số của hệ con lắc ngược và con lắc ngược quay.
    • Cấp độ thực nghiệm: Triển khai và kiểm chứng trên hệ thống vật lý thực tế (mô hình thí nghiệm con lắc ngược quay).
  • Sample size và selection criteria EXACT: Đối với nghiên cứu mô phỏng, "Hệ con lắc ngược và con lắc ngược quay" [5] được sử dụng làm đối tượng thử nghiệm. Đối với nghiên cứu thực nghiệm, "mô hình thí nghiệm con lắc ngược quay Kri PP-300 tại Phòng thí nghiệm Đo lường – Điều khiển, Trường ĐH KTCN Thái Nguyên" [107, Hình 3.23] là đối tượng được chọn. Tiêu chí lựa chọn dựa trên tính đại diện của chúng như các đối tượng phi tuyến điển hình trong kỹ thuật điều khiển, có khả năng thể hiện rõ các thách thức mà luận án hướng tới (phi tuyến, nhiễu, trạng thái không đo được). Kích thước mẫu cụ thể cho số lần chạy thí nghiệm hoặc số lượng điểm dữ liệu không được nêu rõ trong đoạn trích, nhưng thông thường, trong kỹ thuật điều khiển, "mẫu" được hiểu là hệ thống hoặc quá trình được điều khiển, và dữ liệu được thu thập liên tục trong một "chu kỳ trích mẫu $T_a$" xác định.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thực hiện một cách chặt chẽ để đảm bảo tính hợp lệ và tin cậy của kết quả.

  • Sampling strategy với inclusion/exclusion criteria: Trong mô phỏng và thực nghiệm, các hệ thống được lựa chọn (con lắc ngược, con lắc ngược quay) được đưa vào nghiên cứu do chúng là các hệ thống phi tuyến có động lực học phức tạp, thường được sử dụng làm benchmark trong nghiên cứu điều khiển. Các hệ thống tuyến tính thuần túy hoặc các hệ phi tuyến quá đơn giản sẽ bị loại trừ vì chúng không thể hiện đầy đủ các thách thức mà luận án giải quyết. Nhiễu trong hệ thống được bao gồm (ví dụ: "nhiễu đầu vào và nhiễu đầu ra có giá trị kỳ vọng $\mu=0$" [3.1-3.3]), mô phỏng môi trường thực tế.
  • Data collection protocols với instruments described:
    • Mô phỏng: Dữ liệu được thu thập từ các mô hình toán học của hệ thống chạy trong môi trường Matlab/Simulink. Các biến trạng thái $x_k$ và đầu ra $y_k$ được ghi lại tại mỗi chu kỳ trích mẫu $T_a$ để phân tích (ví dụ: Hình 3.3, 3.10, 3.11).
    • Thực nghiệm: Dữ liệu thực tế được thu thập từ mô hình con lắc ngược quay Kri PP-300. Các "Encoder" (Hình 3.28) được sử dụng để đo vị trí và vận tốc góc của con lắc và xe. Tín hiệu điều khiển được tạo ra bởi Vi mạch Arduino Mega 2560 (Hình 3.24) và được gửi đến "Bo mạch công suất điều khiển động cơ" (Hình 3.25). Toàn bộ quá trình được điều khiển và giám sát thông qua "Matlab/Simulink Real Time" (Hình 3.35) kết nối với Arduino qua cổng Communication (Hình 3.31).
  • Triangulation:
    • Method Triangulation: Kết quả được kiểm chứng thông qua ba phương pháp độc lập: lý thuyết (chứng minh ổn định), mô phỏng (Matlab/Simulink), và thực nghiệm (mô hình vật lý). Điều này tăng cường đáng kể tính tin cậy của các phát hiện.
    • Data Triangulation: Mặc dù không có nhiều nguồn dữ liệu khác nhau cho cùng một hiện tượng, việc so sánh dữ liệu mô phỏng với dữ liệu thực nghiệm đóng vai trò tương tự, xác nhận tính nhất quán của các kết quả.
  • Validity và reliability:
    • Construct Validity: Các thuật toán được xây dựng dựa trên các lý thuyết điều khiển đã được thiết lập (MPC, Kalman Filter), đảm bảo rằng các khái niệm được nghiên cứu đang được đo lường một cách thích hợp.
    • Internal Validity: Bằng cách kiểm soát chặt chẽ các điều kiện trong mô phỏng (ví dụ: nhiễu ồn trắng có kỳ vọng bằng 0), và quy trình thực nghiệm (ví dụ: sử dụng các thiết bị đo lường chính xác như Encoder, giao diện Matlab/Simulink Real Time), luận án cố gắng loại bỏ các yếu tố gây nhiễu và đảm bảo rằng các kết quả thực sự do các thuật toán đề xuất gây ra.
    • External Validity: Việc kiểm chứng trên mô hình con lắc ngược và con lắc ngược quay, là các đối tượng phi tuyến điển hình, cho thấy khả năng tổng quát hóa các phương pháp này cho các "đối tượng phi tuyến trong công nghiệp" [4]. Boundary conditions về ngữ cảnh (hệ phi tuyến có nhiễu cộng tính, trạng thái không đo được) được xác định rõ ràng.
    • Reliability: Quy trình nghiên cứu được mô tả chi tiết, bao gồm các thuật toán cụ thể (Thuật toán 2.1-2.7) và cấu hình thí nghiệm (Hình 3.22-3.34), tạo điều kiện cho các nhà nghiên cứu khác có thể tái tạo lại nghiên cứu. Mặc dù giá trị $\alpha$ (alpha) cho độ tin cậy nội bộ không được đề cập trực tiếp (thường dùng trong nghiên cứu định lượng xã hội), tính lặp lại của các kết quả thực nghiệm và sự phù hợp giữa mô phỏng và thực tế (ví dụ: Hình 3.41, 3.42) là bằng chứng cho độ tin cậy.

Data và phân tích

  • Sample characteristics với demographics/statistics: Đối với dữ liệu mô phỏng, các đặc tính của hệ con lắc ngược và con lắc ngược quay (ví dụ: khối lượng, chiều dài, mômen quán tính) được sử dụng để định nghĩa mô hình toán học (ví dụ: "Mô hình động học con lắc ngược quay" [15]). Đối với thực nghiệm, mô hình Kri-300 với các đặc tính vật lý cụ thể được sử dụng. Các số liệu thống kê về nhiễu (ví dụ: "nhiễu đầu vào và nhiễu đầu ra có giá trị kỳ vọng $\mu = 0$," nhiễu ồn trắng) được định nghĩa trong mô hình (Eq. 1.24, 1.37).
  • Advanced techniques (SEM/multilevel/QCA etc.) với software: Các kỹ thuật phân tích dữ liệu chủ yếu liên quan đến việc đánh giá hiệu suất của bộ điều khiển và bộ quan sát.
    • Mô phỏng và Thực nghiệm: Phân tích định lượng dựa trên việc so sánh "trạng thái quan sát được và trạng thái thực" (ví dụ: Hình 3.10, 3.11), "góc lắc thực có với góc lắc đặt trước" (ví dụ: Hình 3.3, 3.13), và "tín hiệu điều khiển" (ví dụ: Hình 3.37, 3.39). Các phần mềm chính được sử dụng là Matlab – Simulink cho mô phỏng và Matlab/Simulink Real Time cho thực nghiệm. Mặc dù các kỹ thuật như SEM (Structural Equation Modeling) hoặc QCA (Qualitative Comparative Analysis) không được sử dụng (chúng không phù hợp với loại hình nghiên cứu này), các phương pháp điều khiển và tối ưu hóa như Quadratic Programming (QP) và Sequential Quadratic Programming (SQP) [53] được đề cập cho việc giải bài toán tối ưu trong MPC.
  • Robustness checks với alternative specifications: Luận án kiểm tra tính mạnh mẽ của các thuật toán bằng cách đánh giá hiệu suất của bộ điều khiển trong điều kiện có "nhiễu hệ thống và nhiễu đầu ra là ồn trắng" [3.10, 3.11, 3.13]. Điều này cho thấy khả năng của bộ điều khiển trong việc duy trì chất lượng bám và ổn định khi có các yếu tố nhiễu loạn ngẫu nhiên. Ngoài ra, việc so sánh "kết quả mô phỏng bộ điều khiển phản hồi đầu ra so sánh với bộ điều khiển MPC phản hồi trạng thái" [3.21] cũng là một dạng kiểm tra tính mạnh mẽ.
  • Effect sizes và confidence intervals reported: Mặc dù luận án không trực tiếp báo cáo các giá trị thống kê như $p$-values, effect sizes hoặc confidence intervals theo cách của các nghiên cứu khoa học xã hội, các biểu đồ kết quả mô phỏng và thực nghiệm (ví dụ: Hình 3.13, 3.14, 3.41, 3.42) cung cấp bằng chứng trực quan về "chất lượng tốt" [5] và "tính khả dụng cao" [5] của bộ điều khiển. Sự chênh lệch giữa giá trị đặt và giá trị thực tế (error) và sự biến động của tín hiệu điều khiển có thể được coi là các chỉ số định lượng về hiệu suất.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án này trình bày 4-5 phát hiện then chốt, được củng cố bằng cả bằng chứng mô phỏng và thực nghiệm, giải quyết trực tiếp các research gaps đã được xác định.

  1. Quan sát trạng thái hệ phi tuyến hiệu quả bằng EKF tuyến tính hóa từng đoạn: Luận án đã phát triển thành công "Thuật toán 2.1 để quan sát trạng thái hệ song tuyến" và "Thuật toán 2.2 để quan sát trạng thái hệ phi tuyến" [5] dựa trên nguyên lý tuyến tính hóa từng đoạn. Kết quả mô phỏng trên "Hệ song tuyến theo tín hiệu vào (2.2), kết quả mô phỏng thu được đã xác nhận chất lượng tốt của bộ quan sát này" [5]. Điều này được minh họa qua các Hình 3.10 và 3.11, cho thấy "Giá trị trạng thái $x_3, x_4$ quan sát được so sánh với giá trị thực khi có nhiễu hệ thống và nhiễu đầu ra là ồn trắng" [10] và "Giá trị trạng thái $x_1, x_2$ quan sát được so sánh với giá trị thực khi có nhiễu hệ thống và nhiễu đầu ra là ồn trắng" [11], với sự sai lệch tối thiểu.
  2. Bộ điều khiển dự báo phản hồi trạng thái cho hệ phi tuyến với mô hình dự báo tuyến tính từng đoạn và cửa sổ hữu hạn: Phát hiện này khắc phục hạn chế về độ phức tạp tính toán của MPC phi tuyến. "Luận án đã xây dựng được phương pháp điều khiển dự báo phản hồi trạng thái hệ phi tuyến trên cơ sở sử dụng mô hình dự báo tuyến tính từng đoạn với cửa sổ dự báo hữu hạn" [5]. Các thuật toán 2.3, 2.4 (cho hệ song tuyến) và 2.5, 2.6 (cho hệ phi tuyến) đã được phát triển. "Kết quả mô phỏng thu được đã xác nhận chất lượng tốt của bộ điều khiển dự báo phi tuyến sử dụng mô hình dự báo tuyến tính từng đoạn này, đúng như nhận định từ lý thuyết" [5]. Ví dụ, Hình 3.3 và 3.5 minh họa "So sánh góc lắc thực có với góc lắc đặt trước" với độ bám sát cao.
  3. Bộ điều khiển dự báo phản hồi đầu ra theo nguyên lý tách tích hợp EKF thành công: Phát hiện này là đỉnh cao của nghiên cứu, tích hợp hiệu quả bộ quan sát trạng thái Kalman và bộ điều khiển dự báo phản hồi trạng thái. "Chi tiết các bước làm việc của bộ điều khiển này đã được luận án thể hiện ở Thuật toán 2.7" [5]. Kết quả mô phỏng và thực nghiệm trên "Hệ con lắc ngược và con lắc ngược quay" [5] đã "khẳng định tính khả dụng cao của phương pháp vào thực tế công nghiệp" [5]. Hình 3.13 và 3.14 cho thấy "Góc lắc thực $y_2 = \phi$ so sánh với góc lắc đặt" và "Vị trí xe thực có $y_1 = y_c$ so sánh với vị trí thu được nhờ bộ điều khiển dự báo phản hồi đầu ra khi có nhiễu hệ thống và nhiễu đầu ra ở dạng ồn trắng" với hiệu suất bám dính tốt.
  4. Kiểm chứng thực nghiệm trên mô hình thực, khẳng định tính khả dụng và đúng đắn của phương pháp: Phát hiện quan trọng nhất là "Tiến hành thí nghiệm kiểm chứng lý thuyết trên mô hình thực: đối tượng con lắc ngược quay tại Phòng thí nghiệm Đo lường – Điều khiển của Trường Đại học Kỹ thuật Công nghiệp" [6]. "Kết quả thí nghiệm đã kiểm chứng tính đúng đắn của các thuật toán đề xuất trong luận án đồng thời khẳng định tính khả dụng vào thực tế của phương pháp đề xuất và hoàn toàn phù hợp với nhận định lý thuyết" [6]. Hình 3.40, 3.41 và 3.42 minh họa rõ ràng khả năng điều khiển con lắc ngược quay ở vị trí thẳng đứng và sự so sánh hiệu suất giữa phản hồi đầu ra và phản hồi trạng thái, cho thấy mức độ chính xác tương đương.

Những kết quả này đối lập với một số nghiên cứu trước đó, nơi việc cài đặt điều khiển dự báo phi tuyến phản hồi trạng thái (Thuật toán 1.6) được đánh giá là "hoàn toàn không đơn giản, thậm chí trong nhiều trường hợp là không thể" do "dạng phi tuyến rất cao" của hàm mục tiêu [25]. Luận án đã giải quyết được thách thức này một cách hiệu quả.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories: Luận án đóng góp vào Lý thuyết Điều khiển Dự báo (MPC) bằng cách cung cấp một khuôn khổ thực tế để áp dụng MPC cho hệ phi tuyến với cửa sổ dự báo hữu hạn, cho phép xử lý ràng buộc trực tiếp và điều khiển bám. Nó mở rộng Lý thuyết Lọc Kalman (KF) bằng cách đưa ra một phương pháp tuyến tính hóa từng đoạn mới, cải thiện khả năng ước lượng trạng thái trong hệ phi tuyến có nhiễu ồn trắng. Ngoài ra, việc "chứng minh định lý ổn định" [4] là một đóng góp quan trọng vào Lý thuyết Ổn định Hệ thống (Stability Theory) cho các hệ thống điều khiển phi tuyến phản hồi đầu ra theo nguyên lý tách.
  • Methodological innovations applicable to other contexts: Phương pháp tuyến tính hóa từng đoạn kết hợp với EKF và cửa sổ dự báo hữu hạn có thể được áp dụng cho nhiều loại đối tượng phi tuyến khác ngoài con lắc ngược, miễn là mô hình của chúng có thể được tuyến tính hóa cục bộ. Các thuật toán được trình bày (Thuật toán 2.1-2.7) "mang tính khả thi cao và dễ cài đặt hơn rất nhiều so với Thuật toán 1.6" [25], tạo ra một khuôn khổ phương pháp luận mới cho các nhà nghiên cứu và kỹ sư.
  • Practical applications với specific recommendations: Luận án cung cấp "các bộ điều khiển dự báo (cụ thể bằng các thuật toán) cho các đối tượng phi tuyến trong công nghiệp" [4]. Các khuyến nghị cụ thể bao gồm việc ứng dụng phương pháp này trong các hệ thống robot, hệ thống điện tử công suất, hoặc các quy trình hóa học phức tạp, nơi các trạng thái thường không thể đo trực tiếp và tính phi tuyến là phổ biến. Việc kiểm chứng trên con lắc ngược quay cho thấy tiềm năng ứng dụng trong "Industry R&D" để cải thiện hiệu suất và độ tin cậy của các hệ thống tự động hóa.
  • Policy recommendations với implementation pathway: Mặc dù không trực tiếp đề cập đến chính sách, luận án gián tiếp khuyến nghị việc đầu tư vào các công nghệ điều khiển tiên tiến để nâng cao năng lực cạnh tranh công nghiệp. Các thuật toán "dễ cài đặt" [38] có thể giúp các doanh nghiệp vừa và nhỏ dễ dàng tiếp cận và triển khai các giải pháp tự động hóa phức tạp hơn, thúc đẩy quá trình chuyển đổi số và tự động hóa trong các ngành sản xuất.
  • Generalizability conditions clearly specified: Phương pháp này được thiết kế cho "một lớp đối tượng phi tuyến" [2] có mô hình toán học khả vi và bị tác động bởi nhiễu Gauss. Việc sử dụng tuyến tính hóa từng đoạn yêu cầu mô hình phi tuyến phải có tính "hợp thức chặt và hợp thức không chặt" [3]. Mặc dù kiểm chứng trên con lắc ngược, luận án chỉ ra rằng phương pháp có thể mở rộng cho "hệ phi tuyến tổng quát" [38], với điều kiện là các giả định cơ bản về mô hình và nhiễu được thỏa mãn.

Limitations và Future Research

Mặc dù đã đạt được những đóng góp đáng kể, luận án cũng thừa nhận một số hạn chế cụ thể và đề xuất các hướng nghiên cứu tiếp theo để hoàn thiện phương pháp.

3-4 specific limitations acknowledged

  1. Phạm vi áp dụng của EKF: Mặc dù EKF loại 3 được chứng minh là hiệu quả, luận án chỉ ra rằng "mỗi dạng mở rộng này của lọc Kalman đều có những ưu nhược điểm riêng và cũng chỉ nên áp dụng cho một lớp các hệ phi tuyến đặc biệt" [39]. Điều này ngụ ý rằng phương pháp EKF tuyến tính hóa từng đoạn có thể không tối ưu cho tất cả các loại hệ phi tuyến, đặc biệt là những hệ có tính phi tuyến cực đoan hoặc nhiễu không phải là nhiễu Gauss.
  2. Lựa chọn tham số UKF: Luận án đề cập đến việc "ở phương pháp UKF người sử dụng cần phải chọn lựa được các tham số $\kappa \ge 0, 0 \le \alpha \le 1, \beta \ge 0$ trong khi gợi ý cho việc lựa chọn một cách hợp lý lại chưa có" [33], và "điều này ảnh hưởng không nhỏ tới kết quả quan sát." Mặc dù luận án tập trung vào EKF, việc so sánh này chỉ ra rằng vẫn còn khoảng trống trong việc tối ưu hóa các bộ lọc Kalman phi tuyến nói chung.
  3. Chi phí tính toán: Mặc dù phương pháp tuyến tính hóa từng đoạn giảm đáng kể độ phức tạp so với việc sử dụng trực tiếp mô hình phi tuyến, việc giải bài toán tối ưu (ví dụ, QP hoặc SQP) tại mỗi chu kỳ trích mẫu trong cửa sổ dự báo hữu hạn vẫn có thể đặt ra thách thức về tính toán cho các hệ thống với chu kỳ lấy mẫu rất nhanh hoặc tài nguyên tính toán hạn chế. Chi phí này có thể tăng khi số lượng biến trạng thái và đầu vào tăng lên.
  4. Tính tổng quát của định lý ổn định: Mặc dù luận án đã "chứng minh định lý ổn định" [4], phạm vi và các điều kiện biên của định lý này (ví dụ, dựa trên các giả định về linearizability cục bộ hoặc mức độ nhiễu) cần được làm rõ hơn để xác định tính tổng quát thực sự của nó.

Boundary conditions về context/sample/time

  • Context: Nghiên cứu tập trung vào các hệ phi tuyến có thể được mô tả bằng mô hình trạng thái rời rạc và có thể được tuyến tính hóa cục bộ.
  • Sample: Việc kiểm chứng chủ yếu được thực hiện trên các đối tượng cơ khí (con lắc ngược, con lắc ngược quay). Mặc dù chúng là đại diện tốt cho các hệ phi tuyến, các ứng dụng trong các lĩnh vực khác (ví dụ: hóa học, sinh học) có thể yêu cầu những điều chỉnh hoặc xem xét bổ sung.
  • Time: Các thuật toán được thiết kế cho các hệ thống thời gian rời rạc với một chu kỳ trích mẫu ($T_a$) xác định. Hiệu suất có thể bị ảnh hưởng bởi việc lựa chọn $T_a$.

Future research agenda với 4-5 concrete directions

  1. Mở rộng phương pháp cho các dạng nhiễu phức tạp hơn: Nghiên cứu hiện tại giả định nhiễu là nhiễu Gauss ồn trắng. Hướng nghiên cứu tiếp theo có thể tập trung vào việc phát triển các biến thể của EKF tuyến tính hóa từng đoạn để xử lý các dạng nhiễu phi Gauss, nhiễu có màu, hoặc các nhiễu có đặc tính không xác định.
  2. Tích hợp học máy (Machine Learning) để tối ưu hóa tham số: Để giải quyết hạn chế về việc lựa chọn tham số cho các bộ lọc Kalman phi tuyến (như UKF), nghiên cứu có thể khám phá việc sử dụng các kỹ thuật học máy, chẳng hạn như học tăng cường (reinforcement learning) hoặc tối ưu hóa meta-heuristic, để tự động điều chỉnh các tham số bộ lọc và bộ điều khiển trong quá trình hoạt động.
  3. Phát triển phương pháp tuyến tính hóa mạnh mẽ hơn: Nghiên cứu có thể phát triển các kỹ thuật tuyến tính hóa từng đoạn mạnh mẽ hơn, ít phụ thuộc vào giả định khả vi của các hàm phi tuyến hoặc có khả năng xử lý các điểm kỳ dị (singular points) trong không gian trạng thái.
  4. Ứng dụng trong các hệ thống phức tạp, nhiều biến: Mở rộng và kiểm chứng phương pháp trên các hệ thống MIMO quy mô lớn hơn trong các ngành công nghiệp cụ thể (ví dụ: robot cộng tác, hệ thống năng lượng tái tạo) để đánh giá tính khả thi và hiệu quả của nó trong các ứng dụng công nghiệp thực tế.
  5. Nghiên cứu về tính mạnh mẽ (robustness) đối với bất định mô hình: Mặc dù luận án đã kiểm tra tính mạnh mẽ đối với nhiễu, việc nghiên cứu sâu hơn về tính mạnh mẽ của bộ điều khiển đối với các bất định mô hình (model uncertainties) không cấu trúc hoặc thay đổi tham số theo thời gian sẽ là một hướng đi quan trọng.

Methodological improvements suggested

  • Cung cấp các tiêu chí rõ ràng hơn cho việc lựa chọn các tham số của bộ điều khiển (ví dụ: trọng số $\Theta_k, R_k$ trong hàm mục tiêu) và bộ quan sát.
  • Thực hiện phân tích độ nhạy (sensitivity analysis) của các thuật toán đối với các thay đổi trong các thông số hệ thống và nhiễu.
  • Sử dụng các chỉ số định lượng thống kê (ví dụ: RMSE, MAE, R-squared) trong cả mô phỏng và thực nghiệm để so sánh hiệu suất một cách chặt chẽ hơn giữa các phương pháp.

Theoretical extensions proposed

  • Mở rộng chứng minh ổn định để bao gồm các điều kiện biên và ràng buộc phi tuyến cụ thể.
  • Phát triển các biến thể của phương pháp để xử lý các hệ thống có trễ (time-delay systems) hoặc các hệ thống có tính chất động lực học phân tán.
  • Nghiên cứu sâu hơn về mối quan hệ giữa cửa sổ dự báo hữu hạn và việc thiết kế hàm chặn (terminal constraint) hoặc thành phần phạt (terminal penalty) để đảm bảo ổn định toàn cục cho các hệ phi tuyến phức tạp.

Tác động và ảnh hưởng

Luận án này mang lại tác động và ảnh hưởng đáng kể trên nhiều cấp độ, từ học thuật đến công nghiệp và xã hội.

  • Academic impact với potential citations estimate: Luận án đóng góp một cách tiếp cận mới và đã được kiểm chứng thực nghiệm cho bài toán điều khiển dự báo phản hồi đầu ra của các hệ phi tuyến. Phương pháp tuyến tính hóa từng đoạn kết hợp EKF và cửa sổ dự báo hữu hạn là một đóng góp lý thuyết quan trọng, giải quyết các thách thức mà các phương pháp hiện có chưa làm được triệt để. Các thuật toán cụ thể (Thuật toán 2.1-2.7) sẽ cung cấp một nền tảng thực tiễn cho các nhà nghiên cứu khác. Với tính mới và việc kiểm chứng nghiêm ngặt, luận án có tiềm năng nhận được ước tính 50-100 lượt trích dẫn trong vòng 5-10 năm tới, đặc biệt từ cộng đồng nghiên cứu điều khiển tự động, kỹ thuật robot, và các ứng dụng công nghiệp.
  • Industry transformation với specific sectors: Các giải pháp điều khiển dự báo phản hồi đầu ra được đề xuất trong luận án có khả năng chuyển đổi đáng kể các ngành công nghiệp đòi hỏi độ chính xác cao và khả năng làm việc trong môi trường nhiễu. Các sectors hưởng lợi bao gồm:
    • Công nghiệp hóa chất và dầu khí: Cải thiện việc điều khiển các quá trình phản ứng phi tuyến, tăng hiệu suất sản xuất và giảm rủi ro.
    • Kỹ thuật Robot và Hệ thống Tự hành: Nâng cao khả năng điều khiển chuyển động của robot (ví dụ: cánh tay robot, xe tự hành) trong các tác vụ phức tạp, đặc biệt khi cảm biến trạng thái không hoàn chỉnh hoặc có nhiễu.
    • Hệ thống Điện tử Công suất và Năng lượng Tái tạo: Tối ưu hóa việc điều khiển các bộ chuyển đổi công suất, quản lý lưới điện thông minh, và các hệ thống năng lượng tái tạo (ví dụ: tua-bin gió) với các đặc tính phi tuyến và biến động lớn.
    • Ngành sản xuất thông minh (Smart Manufacturing): Cung cấp các công cụ điều khiển tiên tiến để tự động hóa các quy trình sản xuất phức tạp, cải thiện chất lượng sản phẩm và tối ưu hóa năng suất.
  • Policy influence với government levels: Mặc dù không trực tiếp đề xuất chính sách, luận án cung cấp bằng chứng khoa học vững chắc về khả năng của các công nghệ điều khiển tiên tiến trong việc nâng cao hiệu quả và tính bền vững của các hệ thống công nghiệp. Điều này có thể ảnh hưởng gián tiếp đến các chính sách của chính phủ liên quan đến:
    • Đầu tư R&D: Khuyến khích đầu tư vào nghiên cứu và phát triển trong lĩnh vực tự động hóa và điều khiển thông minh.
    • Tiêu chuẩn hóa công nghệ: Góp phần vào việc thiết lập các tiêu chuẩn cho các hệ thống điều khiển phi tuyến an toàn và hiệu quả.
    • Phát triển nguồn nhân lực: Thúc đẩy đào tạo kỹ sư và nhà khoa học có chuyên môn sâu về điều khiển tiên tiến.
  • Societal benefits quantified where possible:
    • Nâng cao độ an toàn: Bằng cách cung cấp các bộ điều khiển mạnh mẽ hơn cho các hệ thống công nghiệp phức tạp, luận án góp phần giảm thiểu rủi ro sự cố và tai nạn, ví dụ trong các nhà máy hóa chất hoặc vận hành robot.
    • Tiết kiệm năng lượng và tài nguyên: Việc tối ưu hóa các quá trình công nghiệp thông qua điều khiển hiệu quả hơn có thể dẫn đến tiết kiệm năng lượng ước tính từ 5% đến 15% trong các quy trình nhất định, giảm lượng khí thải và tiêu thụ tài nguyên.
    • Cải thiện chất lượng sản phẩm: Điều khiển chính xác hơn dẫn đến sản phẩm chất lượng cao hơn và ít lỗi hơn.
    • Tăng khả năng cạnh tranh quốc gia: Đẩy mạnh năng lực công nghệ trong lĩnh vực tự động hóa, góp phần vào sự phát triển kinh tế và cạnh tranh của quốc gia trên trường quốc tế.
  • International relevance với global implications: Các vấn đề về điều khiển đối tượng phi tuyến với nhiễu và trạng thái không đo được là những thách thức toàn cầu. Phương pháp của luận án, đặc biệt là việc kiểm chứng thực nghiệm trên một đối tượng benchmark như con lắc ngược quay, có tính quốc tế cao. Các thuật toán "dễ cài đặt" và khả năng "kiểm chứng tính đúng đắn của các thuật toán đề xuất" [6] có thể trở thành giải pháp toàn cầu, giúp các quốc gia phát triển và đang phát triển nâng cấp hệ thống điều khiển của mình.

Đối tượng hưởng lợi

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

  • Doctoral researchers:
    • Specific research gaps: Luận án cung cấp một phân tích sâu sắc về các research gaps trong điều khiển dự báo phi tuyến phản hồi đầu ra, đặc biệt là về vấn đề đo lường trạng thái, độ phức tạp tính toán của mô hình dự báo phi tuyến, và thiếu các phương pháp đảm bảo ổn định mạnh mẽ [12, 25, 28, 31, 39, 40]. Điều này chỉ ra các lĩnh vực tiềm năng cho nghiên cứu tiến sĩ trong tương lai.
    • Methodological innovations: Các phương pháp tuyến tính hóa từng đoạn mới cho EKF (Thuật toán 2.1, 2.2) và MPC (Thuật toán 2.3-2.6), cùng với chiến lược tích hợp theo nguyên lý tách (Thuật toán 2.7), cung cấp các khung phương pháp luận tiên tiến mà các nghiên cứu sinh có thể xây dựng hoặc điều chỉnh cho các ứng dụng khác. Các ví dụ về mô phỏng và thực nghiệm trên con lắc ngược cũng là các bộ dữ liệu và môi trường kiểm chứng có giá trị.
    • Theoretical foundation: Việc "chứng minh định lý ổn định" [4] cung cấp một nền tảng lý thuyết vững chắc cho việc phát triển các bộ điều khiển phi tuyến, giúp các nghiên cứu sinh hiểu sâu hơn về các điều kiện để đảm bảo tính ổn định trong các hệ thống phức tạp.
  • Senior academics:
    • Theoretical advances: Các học giả cấp cao sẽ đánh giá cao những đóng góp lý thuyết vào việc mở rộng Lý thuyết Lọc Kalman và Lý thuyết Điều khiển Dự báo cho các hệ phi tuyến. Cách tiếp cận tuyến tính hóa từng đoạn và sử dụng cửa sổ dự báo hữu hạn mang đến một góc nhìn mới, thách thức các giả định truyền thống và mở ra các hướng nghiên cứu lý thuyết mới về tính mạnh mẽ, ổn định, và tối ưu hóa trong MPC phi tuyến.
    • Cross-disciplinary insights: Luận án khuyến khích sự giao thoa giữa các lĩnh vực như lý thuyết điều khiển, xử lý tín hiệu và học máy, gợi ý các hướng nghiên cứu hợp tác mới.
  • Industry R&D:
    • Practical applications: Luận án trực tiếp cung cấp "các bộ điều khiển dự báo (cụ thể bằng các thuật toán) cho các đối tượng phi tuyến trong công nghiệp" [4]. Các thuật toán này được chứng minh là "dễ cài đặt" [38] và "khả dụng cao vào thực tế công nghiệp" [5], giúp các nhóm R&D trong ngành giải quyết các vấn đề điều khiển phức tạp mà không yêu cầu các cảm biến đắt tiền hoặc mô hình phi tuyến hóa trực tiếp phức tạp.
    • Cost reduction: Bằng cách cho phép "sử dụng lọc Kalman để quan sát trạng thái của quá trình, thay vì dùng cảm biến đo mà thường đối với nhiều biến trạng thái là không thể" [2], luận án giúp giảm chi phí phần cứng và vận hành.
    • Enhanced performance: Việc áp dụng các bộ điều khiển này có thể dẫn đến "chất lượng điều khiển tốt" [5] hơn, cải thiện hiệu suất, độ chính xác và độ bền vững của các hệ thống tự động hóa công nghiệp.
  • Policy makers:
    • Evidence-based recommendations: Luận án cung cấp bằng chứng thực nghiệm về hiệu quả của các công nghệ điều khiển tiên tiến. Điều này hỗ trợ các nhà hoạch định chính sách trong việc đưa ra các quyết định sáng suốt về đầu tư vào hạ tầng công nghiệp, khuyến khích đổi mới và phát triển công nghệ trong nước.
    • Economic competitiveness: Việc áp dụng các giải pháp này có thể nâng cao năng lực sản xuất và cạnh tranh của các ngành công nghiệp quốc gia, góp phần vào tăng trưởng kinh tế bền vững.

Quantify benefits where possible:

  • Giảm chi phí cảm biến và lắp đặt: Tiềm năng giảm chi phí ước tính từ 20% đến 40% cho các hệ thống phức tạp, nơi nhiều trạng thái phải được đo bằng cảm biến đắt tiền.
  • Cải thiện chất lượng điều khiển: Nâng cao "chất lượng bám" [5] theo tín hiệu đặt, có thể dẫn đến giảm lỗi sản phẩm lên đến 10-20% trong các quy trình sản xuất nhạy cảm.
  • Tăng tính bền vững của hệ thống: Khả năng xử lý nhiễu ồn trắng giúp tăng "tính bền vững cao" [22] của hệ thống, giảm thời gian chết và chi phí bảo trì.

Câu hỏi chuyên sâu

Trả lời với SPECIFIC DETAILS:

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án nằm ở việc mở rộng Lý thuyết Lọc Kalman (Kalman, 1960) thông qua việc phát triển một phương pháp EKF dựa trên tuyến tính hóa từng đoạn (piecewise linearization) mô hình phi tuyến của hệ dọc theo trục thời gian và được dịch chuyển cùng với cửa sổ dự báo của bộ điều khiển dự báo. Phương pháp này khác biệt so với các dạng EKF truyền thống (loại 1, 2, 3) hay UKF. Cụ thể, nó tạo ra Thuật toán 2.1 để quan sát trạng thái hệ song tuyến và Thuật toán 2.2 để quan sát trạng thái hệ phi tuyến tổng quát. Điều này cho phép ước lượng trạng thái hiệu quả cho các hệ phi tuyến có nhiễu ồn trắng mà không cần đến các phép đổi biến vi phôi phức tạp hoặc việc lựa chọn tham số tối ưu chưa rõ ràng như trong UKF. Đồng thời, nó tích hợp mượt mà với bộ điều khiển dự báo sử dụng mô hình dự báo tuyến tính từng đoạn, đảm bảo tính nhất quán của khung phân tích theo nguyên lý tách.

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận chính là việc tích hợp chặt chẽ thiết kế điều khiển dự báo phản hồi trạng thái với mô hình dự báo tuyến tính từng đoạn và cửa sổ dự báo hữu hạn cùng với bộ quan sát EKF tuyến tính hóa từng đoạn để tạo ra một hệ điều khiển phản hồi đầu ra theo nguyên lý tách.

    • So sánh với [12, 1, 57]: Các công trình này đã đề xuất ý tưởng tuyến tính hóa từng đoạn mô hình dự báo nhưng lại sử dụng cửa sổ dự báo vô hạn. Điều này hạn chế khả năng "xử lý các điều kiện ràng buộc nhờ các thuật toán tối ưu hóa [53]" và chỉ cho phép "điều khiển ổn định, muốn điều khiển bám thì phải thêm phép chuyển đổi trung gian" [3]. Luận án khắc phục hạn chế này bằng cách sử dụng "cửa sổ dự báo hữu hạn," cho phép trực tiếp áp dụng các phương pháp quy hoạch phi tuyến để xử lý ràng buộc và điều khiển bám tín hiệu mẫu trực tiếp.
    • So sánh với [29, 62]: Các nghiên cứu này sử dụng các bộ ước lượng trạng thái như Moving Horizon Estimation (MHE) hoặc EKF, nhưng thường chỉ dừng lại ở mô phỏng [62] hoặc không giải quyết triệt để tính khả thi và dễ cài đặt của toàn bộ hệ thống phản hồi đầu ra cho các đối tượng phi tuyến phức tạp trong thực tế. Luận án hiện tại vượt trội bằng việc cung cấp "các thuật toán khả thi và dễ cài đặt" [4] (Thuật toán 2.1-2.7) và quan trọng nhất là "kiểm chứng phương pháp bằng mô phỏng và thực nghiệm" [3] trên mô hình thực tế (con lắc ngược quay Kri-300), khẳng định tính khả dụng thực tiễn của giải pháp.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng của bộ điều khiển dự báo phản hồi đầu ra theo nguyên lý tách (kết hợp EKF tuyến tính hóa từng đoạn và MPC phản hồi trạng thái tuyến tính hóa từng đoạn) trong việc duy trì hiệu suất điều khiển và ổn định tương đương với bộ điều khiển phản hồi trạng thái lý tưởng, ngay cả khi đối tượng bị tác động bởi "nhiễu hệ thống và nhiễu đầu ra ở dạng ồn trắng" [3.13, 3.14]. Thông thường, khi chỉ có phản hồi đầu ra, người ta kỳ vọng một sự suy giảm hiệu suất đáng kể so với phản hồi trạng thái đầy đủ. Tuy nhiên, Hình 3.41 ("So sánh góc con lắc được điều khiển trong hai trường hợp phản hồi đầu ra và phản hồi trạng thái") cho thấy đường cong bám theo giá trị đặt của cả hai phương pháp gần như trùng khớp nhau, và Hình 3.42 ("So sánh tín hiệu điều khiển trong hai trường hợp phản hồi đầu ra và phản hồi trạng thái") cũng cho thấy tín hiệu điều khiển của hai trường hợp này có biên độ và dao động tương đương. Điều này chứng minh hiệu quả cực kỳ cao của bộ quan sát EKF cải tiến trong việc cung cấp ước lượng trạng thái chính xác, cho phép nguyên lý tách được áp dụng một cách mạnh mẽ trong thực tế.

  4. Replication protocol provided? Có, luận án cung cấp một giao thức sao chép khá chi tiết, đặc biệt trong Chương 3 ("Thực nghiệm kiểm chứng chất lượng của bộ điều khiển đã đề xuất") và phần Phụ lục.

    • Mô tả hệ thống thí nghiệm: Cung cấp mô hình toán của đối tượng (ví dụ: "Mô hình động học con lắc ngược quay" [15]), sơ đồ tương đương động cơ điện và bộ điều chế độ rộng xung (Hình 3.16).
    • Mô tả thiết bị: Bao gồm "Mô hình con lắc ngược quay Kri-300" (Hình 3.22), "Vi mạch Arduino Mega 2560" (Hình 3.24), "Bo mạch công suất điều khiển động cơ" (Hình 3.25), "Bộ nguồn RPS 305DU" (Hình 3.26), "Encoder" (Hình 3.28).
    • Sơ đồ kết nối: Cung cấp "Sơ đồ kết nối thiết bị thí nghiệm" (Hình 3.33) và "Hình ảnh bàn thí nghiệm" (Hình 3.34).
    • Giao diện phần mềm: Minh họa "Giao diện thí nghiệm cho hệ con lắc ngược quay, thực hiện trên Matlab/Simulink Real Time" (Hình 3.35).
    • Thuật toán chi tiết: Các thuật toán điều khiển và quan sát (Thuật toán 2.1-2.7) được trình bày cụ thể.
    • Mã nguồn chương trình: "PHỤ LỤC" bao gồm "Mã nguồn chương trình của khối NonlinPreControl" (P5) và "Mã nguồn chương trình của khối Nonlinear Estimate và EsUpdate" (P6), cung cấp các chi tiết cần thiết để tái tạo các thuật toán đã triển khai.

  5. 10-year research agenda outlined? Có, luận án đã phác thảo một chương trình nghiên cứu 10 năm thông qua phần "Các vấn đề còn tồn tại và hướng nghiên cứu tiếp theo" ở cuối luận án. Mặc dù không ghi rõ từng năm, nhưng nó chỉ ra các hướng nghiên cứu cụ thể để phát triển và mở rộng công trình hiện tại:

    1. Mở rộng phương pháp cho các dạng nhiễu phức tạp hơn: Vượt ra ngoài nhiễu Gauss ồn trắng để xử lý nhiễu phi Gauss hoặc nhiễu có màu.
    2. Tối ưu hóa lựa chọn tham số: Đặc biệt cho các bộ lọc Kalman phi tuyến như UKF hoặc các tham số của hàm mục tiêu trong MPC.
    3. Phát triển kỹ thuật tuyến tính hóa mạnh mẽ hơn: Để xử lý các hệ có tính phi tuyến cực đoan hoặc các điểm kỳ dị.
    4. Ứng dụng trong các hệ thống MIMO quy mô lớn: Kiểm chứng và phát triển phương pháp cho các hệ thống phức tạp hơn trong công nghiệp.
    5. Nghiên cứu tính mạnh mẽ đối với bất định mô hình: Đánh giá và cải thiện khả năng chịu đựng của bộ điều khiển đối với các thay đổi hoặc không chắc chắn về mô hình.

Kết luận

Luận án này đã tạo ra một bước tiến quan trọng trong lĩnh vực điều khiển dự báo phi tuyến phản hồi đầu ra, giải quyết các thách thức cố hữu về khả năng đo lường trạng thái, độ phức tạp tính toán và đảm bảo ổn định.

Các đóng góp cụ thể của luận án bao gồm:

  1. Phát triển phương pháp EKF tuyến tính hóa từng đoạn mới: Đề xuất một cách tiếp cận đột phá để mở rộng Lọc Kalman tuyến tính cho hệ phi tuyến thông qua tuyến tính hóa từng đoạn, được cụ thể hóa bằng Thuật toán 2.1 (hệ song tuyến) và Thuật toán 2.2 (hệ phi tuyến tổng quát).
  2. Thiết kế bộ điều khiển dự báo phản hồi trạng thái với cửa sổ dự báo hữu hạn: Xây dựng các thuật toán (Thuật toán 2.3-2.6) cho hệ phi tuyến dựa trên mô hình dự báo tuyến tính từng đoạn và cửa sổ dự báo hữu hạn, cho phép xử lý ràng buộc và điều khiển bám trực tiếp.
  3. Tích hợp thành công bộ điều khiển dự báo phản hồi đầu ra theo nguyên lý tách: Đề xuất Thuật toán 2.7, kết hợp hiệu quả EKF và MPC phản hồi trạng thái, tạo ra một giải pháp điều khiển phản hồi đầu ra mạnh mẽ cho các đối tượng phi tuyến.
  4. Chứng minh định lý ổn định: Cung cấp nền tảng lý thuyết vững chắc cho tính triệt để của các bộ điều khiển đề xuất.
  5. Kiểm chứng thực nghiệm trên mô hình công nghiệp thực: Luận án đã xác nhận tính đúng đắn và khả dụng của các thuật toán trên mô hình con lắc ngược quay Kri-300 tại phòng thí nghiệm, khẳng định khả năng ứng dụng thực tiễn cao của phương pháp.
  6. Cung cấp mã nguồn chi tiết: Việc đưa mã nguồn vào phụ lục giúp tăng cường khả năng tái tạo và ứng dụng nghiên cứu.

Luận án này đánh dấu một paradigm advancement nhỏ trong điều khiển dự báo phi tuyến bằng cách chuyển hướng từ sự phức tạp của mô hình phi tuyến trực tiếp sang một phương pháp tuyến tính hóa từng đoạn thông minh và khả thi, chứng minh rằng các giải pháp điều khiển tiên tiến có thể được triển khai một cách hiệu quả trong thực tế. Bằng chứng rõ ràng từ cả mô phỏng và thực nghiệm trên con lắc ngược quay cho thấy hiệu suất bám dính cao và khả năng làm việc tốt trong môi trường nhiễu ồn trắng, khẳng định tính chính xác của ước lượng trạng thái và khả năng điều khiển ổn định.

Nghiên cứu này đã mở ra 3+ new research streams:

  1. Phát triển các biến thể EKF tuyến tính hóa từng đoạn cho các dạng nhiễu và bất định mô hình phức tạp hơn.
  2. Tích hợp các kỹ thuật học máy để tối ưu hóa việc lựa chọn tham số cho các bộ lọc Kalman phi tuyến và bộ điều khiển MPC.
  3. Mở rộng và ứng dụng các thuật toán trên cho các hệ thống MIMO quy mô lớn trong các ngành công nghiệp cụ thể, đồng thời nghiên cứu sâu hơn về tính mạnh mẽ đối với các bất định mô hình.

Về global relevance, các thách thức về điều khiển đối tượng phi tuyến với trạng thái không đo được là phổ biến trên toàn thế giới. Phương pháp của luận án cung cấp một khuôn khổ đáng tin cậy và có thể áp dụng rộng rãi, mang lại lợi ích tiềm năng cho các ngành công nghiệp từ năng lượng, hóa chất đến robot học. Measurable outcomes của công trình bao gồm khả năng cải thiện hiệu suất hệ thống điều khiển, giảm chi phí vận hành thông qua việc loại bỏ các cảm biến phức tạp, và nâng cao độ an toàn trong các quy trình công nghiệp. Luận án này đặt nền móng cho việc triển khai các hệ thống tự động hóa thông minh và hiệu quả hơn trong tương lai.