Tổng quan về luận án

Luận án này tiên phong giải quyết những thách thức cố hữu trong điều khiển dự báo phi tuyến (NMPC), đặc biệt là khả năng xử lý các mô hình liên tục và mở rộng tầm dự báo đến vô hạn, một giới hạn tồn tại lâu nay trong lĩnh vực. Nghiên cứu được đặt trong bối cảnh khoa học về điều khiển tự động đang tìm kiếm các giải pháp mạnh mẽ và hiệu quả hơn cho các hệ thống phi tuyến phức tạp trong công nghiệp.

Research gap SPECIFIC với citations từ literature: Mặc dù điều khiển dự báo dựa trên mô hình (MPC) đã phát triển mạnh mẽ và được ứng dụng rộng rãi trong các hệ thống tuyến tính, nhưng việc mở rộng nó sang các đối tượng phi tuyến liên tục vẫn còn nhiều hạn chế đáng kể. Các công trình hiện có chủ yếu tập trung vào mô hình hóa xấp xỉ tuyến tính hoặc rời rạc hóa các đối tượng phi tuyến, dẫn đến những khó khăn trong việc xây dựng mô hình dự báo chính xác và giải quyết bài toán tối ưu phi lồi (non-convex) với nhiều ràng buộc. Đặc biệt, "khối lượng tính toán của NMPC sử dụng phương pháp số cũng nặng hơn nhiều so với MPC tuyến tính, và thậm chí nó còn tăng theo cấp số nhân khi ta tăng tầm dự báo" (tr. 3), gây trở ngại lớn cho ứng dụng thời gian thực. Hơn nữa, tính ổn định của hệ thống kín thường không được đảm bảo khi cửa sổ dự báo hữu hạn, và việc xác định hàm phạt phù hợp cho các ràng buộc điểm cuối vẫn là một bài toán mở [16], [43]. Luận án chỉ ra một khoảng trống cốt yếu: "Từ trước đến nay, trong điều khiển dự báo người ta bắt buộc phải sử dụng mô hình không liên tục của đối tượng cũng như cửa số dự báo hữu hạn, vì chỉ như vậy mới có thể áp dụng được các phương pháp tối ưu hóa (nghĩa là giải bài toán tối ưu bằng các phương pháp quy hoạch phi tuyến)" (tr. 23). Khoảng trống này bao gồm việc thiếu một phương pháp luận tổng quát cho phép trực tiếp tích hợp mô hình liên tục của đối tượng vào NMPC và giải quyết bài toán tối ưu hóa với cửa sổ dự báo vô hạn một cách hiệu quả về mặt tính toán và đảm bảo tính ổn định.

Research questions và hypotheses: Nghiên cứu này tìm cách trả lời các câu hỏi chính sau:

  1. Làm thế nào để xây dựng một thuật toán điều khiển dự báo mới có khả năng sử dụng trực tiếp mô hình liên tục của đối tượng phi tuyến, thay vì các mô hình rời rạc hay tuyến tính hóa xấp xỉ?
  2. Phương pháp biến phân có thể được áp dụng như thế nào để giải bài toán tối ưu trong NMPC, đặc biệt là khi mở rộng cửa sổ dự báo đến vô hạn, nhằm nâng cao tính ổn định và chính xác của hệ thống?
  3. Liệu thuật toán đề xuất có thể giảm đáng kể thời gian tính toán khi giải bài toán tối ưu so với các phương pháp quy hoạch phi tuyến truyền thống (như SQP, GA) và có đảm bảo tính ổn định toàn cục cho các hệ thống bám quỹ đạo đã cho trước không?
  4. Thuật toán mới này có thể được kiểm chứng thành công trên một đối tượng vật lý phi tuyến phức tạp như hệ thống Twin Rotor MIMO (TRMS) thông qua mô phỏng và thực nghiệm không?

Theoretical framework với tên theories cụ thể: Luận án dựa trên nền tảng của Lý thuyết Điều khiển Tối ưu (Optimal Control Theory), đặc biệt là Phương pháp Biến phân (Variational Method), cùng với các nguyên lý cơ bản của Điều khiển Dự báo Dựa trên Mô hình (Model Predictive Control - MPC). Nó tích hợp các khái niệm từ Quy hoạch Phi tuyến (Nonlinear Programming), bao gồm Sequential Quadratic Programming (SQP) [3], [5] và Genetic Algorithms (GA) [2] để so sánh hiệu quả. Khung lý thuyết cũng xem xét các nguyên lý ổn định hệ thống, bao gồm điều kiện ổn định của LQR (Linear Quadratic Regulator) và các phương pháp chứng minh tính bám ổn định. Đối với việc quan sát trạng thái, luận án sử dụng Bộ quan sát Kalman mở rộng (Extended Kalman Filter - EKF) và Bộ quan sát Kalman không mùi (Unscented Kalman Filter - UKF) [21], [28], [32].

Đóng góp đột phá với quantified impact:

  1. Đề xuất thuật toán NMPC mới cho mô hình liên tục: Thay vì rời rạc hóa, luận án đề xuất một thuật toán điều khiển dự báo sử dụng trực tiếp mô hình liên tục của đối tượng và phương pháp biến phân để giải quyết bài toán tối ưu. Điều này mở ra khả năng áp dụng cửa sổ dự báo vô hạn, giải quyết hạn chế của các phương pháp quy hoạch phi tuyến truyền thống [16].
  2. Cải thiện đáng kể hiệu suất tính toán: Thuật toán mới được chứng minh là "rút ngắn thời gian tính toán khi giải bài toán tối ưu so với các phương pháp đã đề cập trước đó" (tr. 23), giúp tăng tính khả thi cho ứng dụng trong điều khiển thời gian thực. Mặc dù luận án không đưa ra con số cụ thể về tỷ lệ giảm thời gian, nhưng việc "giảm được thời gian tính toán" (tr. 6) là một đóng góp quan trọng cho NMPC.
  3. Đảm bảo tính bám ổn định toàn cục: Phương pháp đề xuất đảm bảo tính "bám ổn định toàn cục" (tr. 7) cho hệ thống phi tuyến liên tục, mở rộng khả năng điều khiển từ việc chỉ ổn định đến việc bám theo các quỹ đạo đặt trước một cách bền vững.
  4. Kiểm chứng thực nghiệm trên TRMS: Luận án đã thành công trong việc cài đặt và kiểm chứng thuật toán trên hệ thống vật lý Twin Rotor MIMO System (TRMS) thực tế, sử dụng card dSPACE 1103 và phần mềm ControlDesk, xác nhận tính khả thi và hiệu quả của phương pháp đề xuất. Các kết quả mô phỏng và thực nghiệm đã chứng minh chất lượng điều khiển vượt trội so với phương pháp SQP truyền thống (Hình 4.19, Hình 4.20 so với Hình 4.21, Hình 4.22 cho thấy đáp ứng mượt mà và chính xác hơn).

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu bao gồm việc thiết kế và kiểm chứng bộ điều khiển dự báo phản hồi trạng thái cho hệ phi tuyến, cụ thể là hệ song tuyến (Bilinear system), bám theo tín hiệu đầu ra mẫu. Nghiên cứu tập trung vào hai trường hợp: cửa sổ dự báo hữu hạn sử dụng SQP và cửa sổ dự báo vô hạn sử dụng phương pháp biến phân cho mô hình liên tục. Đối tượng kiểm chứng chính là hệ thống Twin Rotor MIMO System (TRMS) [10], một mô hình vật lý phức tạp, phi tuyến tính. Nghiên cứu này không đề cập đến tác động của nhiễu và xử lý tác động xen kênh một cách chi tiết trong phần thiết kế thuật toán, tập trung vào việc xác lập nền tảng lý thuyết và thực nghiệm cho thuật toán mới. Luận án được hoàn thành vào năm 2016, tổng hợp nghiên cứu từ cuối thập niên 70 đến 2016. Tầm quan trọng của luận án nằm ở việc cung cấp một giải pháp tiên phong, mở rộng đáng kể giới hạn ứng dụng của NMPC, đặc biệt là trong các hệ thống đòi hỏi độ chính xác cao, thời gian đáp ứng nhanh và khả năng bám quỹ đạo phức tạp.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Lĩnh vực điều khiển dự báo (MPC) đã trải qua những phát triển đáng kể từ cuối những năm 1970 và đầu những năm 1980 [13], [14], [15]. Ban đầu, các kỹ thuật như Điều khiển Ma trận Động (DMC) và Điều khiển Dự báo Tổng quát (GPC) [9], [33], [51] đã thống trị, chủ yếu ứng dụng cho các hệ thống tuyến tính. Tuy nhiên, nhận thức về bản chất phi tuyến của hầu hết các quá trình công nghiệp đã thúc đẩy nghiên cứu về NMPC. Các phương pháp mô hình hóa phi tuyến bao gồm giải tích xấp xỉ [13], [14], [27], [29], [37], [56], [72] và trí tuệ nhân tạo như mạng nơron (NNs) và wavelet [L1], [31], [62]. Về tính ổn định của NMPC, các nghiên cứu ban đầu chỉ ra rằng hàm mục tiêu với cửa sổ dự báo hữu hạn thường không đảm bảo ổn định vòng kín [16]. Do đó, các tác giả như Bitmead (1990) [16], Rawlings và Muske (1993) [57] đã đề xuất thêm hàm phạt điểm cuối hoặc sử dụng cửa sổ dự báo vô hạn cho các hệ tuyến tính. Michalska và Mayne (1993) đã mở rộng sang NMPC với bộ điều khiển dịch dần về tương lai chế độ kép cho các hệ phi tuyến có ràng buộc [44]. Kothare và Morari (2000) cũng sử dụng ràng buộc co rút để chứng minh tính ổn định mạnh cho NMPC phi tuyến bị ràng buộc [21]. Các chiến lược giải bài toán tối ưu trong NMPC thường sử dụng quy hoạch phi tuyến như Sequential Quadratic Programming (SQP), Branch and Bound, Genetic Algorithms (GA) [3], [5]. Tuy nhiên, những phương pháp này gặp khó khăn với bài toán không lồi và không đảm bảo nghiệm toàn cục [tr. 8]. Xu hướng khác là sử dụng các phương pháp điều khiển tối ưu như nguyên lý cực đại của Pontryagin, quy hoạch động Bellman và phương pháp biến phân, nhưng "kết quả nghiên cứu theo xu hướng này là chưa nhiều, nhất là khi có thêm điều kiện ràng buộc" (tr. 8). Trong nước, các nghiên cứu về MPC tuyến tính đã tương đối hoàn chỉnh. Các nghiên cứu về NMPC đang được tiến hành tại các trường đại học lớn [1], [6]. Ví dụ, trong [1], tác giả đã xây dựng bộ điều khiển dự báo phản hồi đầu ra theo nguyên lý tách cho hệ phi tuyến, tập trung vào tính ổn định tiệm cận nhưng không đi sâu vào chiến lược tối ưu hóa và sử dụng mô hình không liên tục. Luận án này tiếp nối và mở rộng các hướng nghiên cứu đó.

Contradictions/debates với ít nhất 2 opposing views: Một trong những tranh luận chính trong NMPC là giữa việc sử dụng mô hình tuyến tính hóa/rời rạc hóa đối tượng để đơn giản hóa bài toán tối ưu với việc duy trì độ chính xác của mô hình phi tuyến.

  1. Phe ủng hộ tuyến tính hóa/rời rạc hóa: Nhiều tác giả cho rằng "Trong nhiều trường hợp mô hình tuyến tính cũng đưa ra các kết quả thỏa đáng (đủ dùng trong công nghiệp)" (tr. 10) và việc triển khai các mô hình tuyến tính "nhanh và dễ dàng hơn so với mô hình phi tuyến" (tr. 10). Các chiến lược như mô hình hóa đa biến [27] hoặc tuyến tính hóa thích nghi [29], [37] được đề xuất để cập nhật mô hình tuyến tính tại mỗi điểm làm việc. Li và Biegler (1989) [38] đã đề xuất tuyến tính hóa mô hình phi tuyến xung quanh điểm làm việc và giải bài toán tối ưu toàn phương.
  2. Phe ủng hộ mô hình phi tuyến trực tiếp: Tuy nhiên, luận án lập luận rằng "các mô hình tuyến tính là chưa đủ để miêu tả đặc tính động học quá trình khi yêu cầu sản phẩm chất lượng cao, tăng năng suất, các quy định môi trường chặt chẽ và yêu cầu về tính kinh tế" (tr. 32). Các tác giả như Wan và Kothare (2004) [68] đã nghiên cứu sơ đồ NMPC phản hồi đầu ra ổn định cho hệ thống phi tuyến bị ràng buộc, nhấn mạnh sự cần thiết của các mô hình phi tuyến trực tiếp. Tranh luận này còn liên quan đến vấn đề "Nghiệm toàn cục" của bài toán tối ưu. Trong khi các phương pháp quy hoạch phi tuyến như SQP có thể tìm được "nghiệm tối ưu địa phương, không tìm được nghiệm tối ưu toàn cục" (tr. 20), thì các phương pháp điều khiển tối ưu (như biến phân) được kỳ vọng có khả năng đảm bảo "tính toàn cục của nghiệm" [tr. 8].

Positioning trong literature với specific gap identified: Luận án này tự định vị mình là cầu nối cho khoảng trống nghiên cứu quan trọng về NMPC. Trong khi phần lớn các công trình tập trung vào việc tối ưu hóa trên mô hình rời rạc và cửa sổ dự báo hữu hạn, luận án đề xuất một hướng đi hoàn toàn mới bằng cách "sử dụng trực tiếp mô hình liên tục vào điều khiển dự báo và nghiệm tối ưu trong cửa số dự báo hiện tại được tìm theo phương pháp biến phân của điều khiển tối ưu thay vì các phương pháp tối ưu hóa nên cửa số dự báo mở rộng đến vô cùng" (tr. 23). Điều này giải quyết đồng thời ba vấn đề chính: sự thiếu hụt phương pháp cho mô hình liên tục, giới hạn của cửa sổ dự báo hữu hạn và gánh nặng tính toán của các phương pháp quy hoạch phi tuyến hiện tại.

How this advances field với concrete contributions: Nghiên cứu này thúc đẩy lĩnh vực điều khiển tự động bằng cách:

  • Mở rộng khả năng ứng dụng của NMPC cho các hệ thống có tính chất động học phi tuyến mạnh, thời gian đáp ứng nhanh, và yêu cầu ràng buộc nghiêm ngặt, nơi mà MPC tuyến tính truyền thống khó thực hiện được.
  • Cung cấp một phương pháp luận và thuật toán mới cho phép kỹ sư và nhà nghiên cứu thiết kế các bộ điều khiển hiệu quả hơn cho các đối tượng phi tuyến liên tục.
  • Đặc biệt, việc sử dụng phương pháp biến phân giúp khắc phục nhược điểm về khối lượng tính toán và khả năng đảm bảo tính toàn cục của nghiệm tối ưu, vốn là những trở ngại lớn của các phương pháp quy hoạch phi tuyến (SQP, GA) khi áp dụng cho NMPC.

So sánh với ÍT NHẤT 2 international studies:

  1. So sánh với Li và Biegler (1989) [38]: Li và Biegler đã đề xuất chiến lược điều khiển Newton nhiều bước cho quá trình phi tuyến bị ràng buộc, trong đó mô hình phi tuyến được tuyến tính hóa xung quanh điểm làm việc và giải bài toán tối ưu toàn phương trên cửa sổ dự báo. Luận án này khác biệt ở chỗ nó không tuyến tính hóa mô hình mà "sử dụng trực tiếp mô hình liên tục" (tr. 23) và thay thế tối ưu hóa toàn phương bằng phương pháp biến phân, cho phép cửa sổ dự báo vô hạn. Điều này giúp tránh các lỗi xấp xỉ do tuyến tính hóa và mở rộng tầm kiểm soát.
  2. So sánh với Akbar Rahideh (2009) [10]: Luận án của Akbar Rahideh đã nghiên cứu chi tiết hệ thống TRMS, xây dựng mô hình hộp trắng, hộp xám và hộp đen, xét tính ổn định dựa trên phương pháp ràng buộc điểm cuối, và thiết kế bộ điều khiển dự báo với cửa sổ dự báo hữu hạn (N_p=20; N_u=15). Nghiên cứu của Nguyễn Thị Mai Hương đã tiếp cận luận án này và chỉ ra các giới hạn: Rahideh chỉ sử dụng duy nhất phương pháp SQP để giải bài toán tối ưu, và cửa sổ dự báo vẫn là hữu hạn, cũng như "chưa chỉ ra quy luật tìm hàm phạt đó như thế nào" (tr. 19). Luận án hiện tại vượt qua các giới hạn này bằng cách đề xuất phương pháp biến phân, mở rộng cửa sổ dự báo đến vô hạn và không cần hàm phạt điểm cuối, đồng thời cải thiện thời gian tính toán.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Nghiên cứu này đóng góp đáng kể vào lý thuyết điều khiển tối ưu và NMPC bằng cách:

  • Extend/challenge WHICH specific theories (name theorists): Luận án mở rộng Lý thuyết Điều khiển Tối ưu, đặc biệt là Phương pháp Biến phân (Variational Method), do các nhà khoa học như Euler và Lagrange đặt nền móng, bằng cách áp dụng nó một cách sáng tạo để giải quyết bài toán tối ưu trong NMPC cho các hệ thống liên tục. Nó thách thức giả định truyền thống trong NMPC rằng bài toán tối ưu phải được giải trên các mô hình rời rạc và với cửa sổ dự báo hữu hạn để đảm bảo tính khả thi tính toán, như đã được đề cập trong các nghiên cứu của Bitmead (1990) [16] và Michalska & Mayne (1993) [44].
  • Conceptual framework với components và relationships: Khung phân tích khái niệm bao gồm:
    1. Mô hình dự báo liên tục: Nền tảng là việc sử dụng trực tiếp mô hình phi tuyến liên tục của đối tượng $\dot{x} = f(x,u)$, thay vì rời rạc hóa.
    2. Hàm mục tiêu tối ưu hóa: Một hàm mục tiêu dạng toàn phương cổ điển, mở rộng để tích hợp khả năng bám quỹ đạo và không cần hàm phạt điểm cuối do cửa sổ dự báo vô hạn. "Nếu sử dụng hàm mục tiêu có cấu trúc toàn phương: $J(U) = \sum_{i=1}^{N_y} \gamma_i e_{u}^T (U) e_u (U) + \lambda_i ||\Delta u(k+i|k)||^2 + s(x(k+N_y|k))$" (tr. 28). Tuy nhiên, với phương pháp biến phân, hàm phạt s(.) được lược bỏ.
    3. Khối tối ưu hóa dựa trên biến phân: Trọng tâm là việc áp dụng Phương pháp Biến phân để tìm chuỗi tín hiệu điều khiển tối ưu, đảm bảo nghiệm toàn cục và hiệu quả tính toán.
    4. Cơ chế dịch dần về tương lai (Receding Horizon Control - RHC): Vẫn giữ nguyên cơ chế RHC để cập nhật và áp dụng tín hiệu điều khiển đầu tiên. Những thành phần này tương tác theo một vòng lặp liên tục, nơi mô hình liên tục cung cấp dự báo chính xác, phương pháp biến phân tìm giải pháp tối ưu, và RHC đảm bảo tính thích nghi và ổn định.
  • Theoretical model với propositions/hypotheses numbered:
    1. Proposition 1 (Model Accuracy): Trực tiếp sử dụng mô hình phi tuyến liên tục sẽ dẫn đến dự báo đầu ra chính xác hơn so với các phương pháp dựa trên mô hình rời rạc hoặc tuyến tính hóa.
    2. Proposition 2 (Optimization Efficiency): Việc áp dụng phương pháp biến phân để giải bài toán tối ưu trong NMPC sẽ giảm đáng kể thời gian tính toán so với các phương pháp quy hoạch phi tuyến truyền thống (như SQP) khi xử lý các hệ thống phi tuyến liên tục.
    3. Proposition 3 (Global Stability & Tracking): Thuật toán NMPC dựa trên biến phân với cửa sổ dự báo vô hạn có thể đảm bảo tính bám ổn định toàn cục cho hệ thống phi tuyến liên tục bám theo các quỹ đạo đặt trước.
    4. Proposition 4 (Feasibility & Robustness): Thuật toán đề xuất sẽ thể hiện tính khả thi và hiệu suất mạnh mẽ khi được triển khai và kiểm chứng trên một hệ thống vật lý thực tế như TRMS.
  • Paradigm shift với EVIDENCE từ findings: Luận án gợi ý một sự thay đổi mô hình nhỏ (mini paradigm shift) trong cộng đồng NMPC từ việc ưu tiên xử lý mô hình rời rạc và tối ưu hóa bằng quy hoạch phi tuyến sang việc trực tiếp giải quyết vấn đề điều khiển tối ưu trên mô hình liên tục. Bằng chứng là khả năng đạt được "cửa số dự báo vô hạn" (tr. 43) và "cải thiện đáng kể thời gian tính toán" (tr. 7), vốn là những điểm yếu của phương pháp truyền thống khi đối mặt với "tầm dự báo của bộ điều khiển dự báo là bao nhiêu để hệ thống kín còn đảm bảo tính ổn định?" (tr. 4) và "khối lượng tính toán của NMPC... tăng theo cấp số nhân" (tr. 3).

Khung phân tích độc đáo

  • Integration của theories (name 3+ specific theories): Khung phân tích độc đáo của luận án nằm ở sự tích hợp sâu sắc giữa Lý thuyết Điều khiển Tối ưu (đặc biệt là Phương pháp Biến phân), Lý thuyết Điều khiển Dự báo Dựa trên Mô hình (MPC) và các nguyên lý của Động học Hệ thống Phi tuyến. Sự kết hợp này cho phép xây dựng một bộ điều khiển không chỉ dự báo mà còn tối ưu hóa chuỗi điều khiển tương lai dựa trên các tính chất liên tục của hệ thống, điều mà các cách tiếp cận truyền thống khó đạt được.
  • Novel analytical approach với justification: Cách tiếp cận phân tích mới là việc biến đổi bài toán tối ưu hóa trong NMPC từ một chuỗi các quyết định rời rạc trong một cửa sổ hữu hạn sang một bài toán biến phân liên tục trong một tầm dự báo vô hạn. Điều này được biện minh bởi ưu điểm của phương pháp biến phân trong việc tìm kiếm các quỹ đạo tối ưu liên tục và khả năng đảm bảo tính ổn định toàn cục mà không cần các hàm phạt phức tạp cho ràng buộc điểm cuối, "không cần có thêm hàm phạt, vốn rất khó, thậm chí chưa có gợi ý hữu ích nào cho việc xác định chúng" (tr. 21).
  • Conceptual contributions với definitions:
    • "Điều khiển dự báo theo mô hình liên tục" (Continuous Model Predictive Control - CMPC): Một khái niệm mới đề cập đến việc thiết kế NMPC dựa trên mô hình động học liên tục của đối tượng, sử dụng các công cụ của điều khiển tối ưu liên tục (như biến phân) để giải bài toán tối ưu, khác với NMPC truyền thống thường dùng mô hình rời rạc.
    • "Cửa sổ dự báo vô hạn dựa trên biến phân" (Variational-based Infinite Prediction Horizon): Một phương pháp để đảm bảo tính ổn định tiệm cận của hệ thống kín mà không cần các điều kiện ràng buộc điểm cuối phức tạp, bằng cách mở rộng cửa sổ dự báo một cách lý thuyết đến vô hạn thông qua phương pháp biến phân.
  • Boundary conditions explicitly stated: Nghiên cứu này tập trung vào các hệ thống phi tuyến có thể mô tả bằng mô hình liên tục dạng affine và hệ song tuyến. Các điều kiện biên bao gồm:
    • Giả định rằng tất cả các biến trạng thái của hệ thống đều có thể đo lường hoặc quan sát được (thông qua EKF).
    • Phạm vi nghiên cứu không đề cập đến tác động của nhiễu quá trình và nhiễu đo lường một cách chi tiết trong phần thiết kế thuật toán, mặc dù EKF được sử dụng trong thực nghiệm để ước lượng trạng thái.
    • Bài toán điều khiển tối ưu được xem xét cho các hệ thống bám quỹ đạo đặt trước, không tập trung vào các ràng buộc cứng phức tạp của tín hiệu điều khiển hay trạng thái trong mô hình liên tục mà phương pháp biến phân có thể gặp khó khăn khi xử lý.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu này áp dụng một thiết kế nghiên cứu toàn diện, kết hợp các phương pháp lý thuyết, mô phỏng và thực nghiệm để phát triển và kiểm chứng một thuật toán điều khiển dự báo phi tuyến tiên tiến.

  • Research philosophy: Nghiên cứu theo triết lý thực chứng (positivism) và thực dụng (pragmatism). Thực chứng thể hiện qua việc xây dựng các mô hình toán học khách quan, phát triển thuật toán dựa trên các nguyên lý khoa học, và kiểm chứng giả thuyết bằng dữ liệu định lượng từ mô phỏng và thực nghiệm. Thực dụng thể hiện ở mục tiêu giải quyết một vấn đề kỹ thuật thực tiễn (điều khiển hệ phi tuyến liên tục trong thời gian thực) và đánh giá hiệu quả dựa trên các tiêu chí có thể đo lường được như thời gian tính toán và chất lượng bám quỹ đạo.
  • Mixed methods với SPECIFIC combination rationale: Nghiên cứu sử dụng phương pháp hỗn hợp (mixed methods) với sự kết hợp của phương pháp định tính và định lượng:
    • Nghiên cứu lý thuyết (chủ yếu định tính và phân tích): Phân tích sâu các công trình đã công bố về NMPC và các phương pháp tối ưu hóa [3], [5], [10], [16]. Phát triển phương pháp luận và thuật toán điều khiển dự báo mới dựa trên phương pháp biến phân cho hệ phi tuyến liên tục. Lý do là để xây dựng một nền tảng toán học vững chắc cho thuật toán, chứng minh tính ổn định và tính tối ưu về mặt lý thuyết.
    • Mô phỏng (định lượng): Sử dụng Matlab-Simulink để kiểm chứng các kết quả lý thuyết. Lý do là để đánh giá hiệu suất của thuật toán trong môi trường kiểm soát, so sánh với các phương pháp hiện có (SQP) và tinh chỉnh các tham số trước khi thực nghiệm.
    • Thực nghiệm (định lượng): Triển khai thuật toán trên hệ thống vật lý Twin Rotor MIMO System (TRMS) thực tế. Lý do là để xác nhận tính khả thi và hiệu quả của thuật toán trong môi trường thực, nơi có các yếu tố nhiễu và bất định, và đánh giá khả năng hoạt động thời gian thực.
  • Multi-level design với levels clearly defined: Mặc dù không phải là một thiết kế đa cấp theo nghĩa xã hội học, nghiên cứu có thể được coi là đa cấp độ kỹ thuật:
    • Cấp độ 1: Lý thuyết cơ bản: Nghiên cứu sâu về các nguyên lý điều khiển tối ưu (biến phân, LQR) và quy hoạch phi tuyến (SQP).
    • Cấp độ 2: Phát triển thuật toán: Thiết kế hai thuật toán điều khiển dự báo: một dựa trên quy hoạch phi tuyến (SQP) cho cửa sổ hữu hạn và một dựa trên biến phân cho cửa sổ vô hạn, áp dụng cho hệ song tuyến.
    • Cấp độ 3: Ứng dụng mô hình: Cài đặt các thuật toán vào mô hình toán học của hệ TRMS trong môi trường mô phỏng Matlab-Simulink.
    • Cấp độ 4: Triển khai vật lý: Thực nghiệm trên hệ thống TRMS vật lý, sử dụng phần cứng dSPACE 1103 và kết hợp bộ quan sát trạng thái (EKF).
  • Sample size và selection criteria EXACT:
    • Mô phỏng: Không áp dụng khái niệm "sample size" theo nghĩa thống kê. Các mô phỏng được thực hiện trên các mô hình toán học của hệ TRMS, với các tín hiệu đặt (set-point) khác nhau như xung vuông và substep (tr. 79-80) để đánh giá đáp ứng động học.
    • Thực nghiệm: Đối tượng nghiên cứu là một hệ thống vật lý duy nhất, Twin Rotor MIMO System (TRMS), "được cài đặt tại phòng thí nghiệm Điện - Điện tử trường Đại học Kỹ thuật Công nghiệp Đại học Thái Nguyên" (tr. 7). TRMS được chọn vì là "đối tượng phi tuyến mạnh, thời gian đáp ứng nhanh, các yêu cầu về điều kiện bị chặn nghiêm ngặt" (tr. 2), đại diện tốt cho lớp đối tượng mà NMPC nhắm đến. Dữ liệu thực nghiệm được thu thập liên tục trong các phiên chạy thí nghiệm.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria:
    • Dữ liệu mô phỏng/thực nghiệm: Tín hiệu điều khiển và đầu ra được lấy mẫu tại các chu kỳ trích mẫu T' xác định. Mặc dù không nêu rõ giá trị T', việc sử dụng "chu kỳ trích mẫu tín hiệu" (tr. 27, 37) là một phần của quy trình thu thập dữ liệu trong hệ thống điều khiển số.
    • Tiêu chí lựa chọn/loại trừ: Nghiên cứu chỉ tập trung vào các hệ phi tuyến liên tục có thể được mô tả toán học và điều khiển bằng NMPC. Các hệ thống có nhiễu quá trình hoặc tác động xen kênh phức tạp không được xem xét chi tiết trong giai đoạn thiết kế thuật toán ban đầu nhưng EKF được dùng để xử lý ước lượng trạng thái trong thực nghiệm.
  • Data collection protocols với instruments described:
    • Mô phỏng: Dữ liệu được thu thập từ Matlab-Simulink, bao gồm các biến trạng thái, tín hiệu điều khiển, và đầu ra của hệ thống (góc chao dọc, góc đảo lái).
    • Thực nghiệm: Dữ liệu được thu thập trực tiếp từ hệ thống TRMS thông qua card chuyển đổi dSPACE 1103. Các cảm biến trên TRMS cung cấp tín hiệu góc thực tế. Bộ quan sát Kalman mở rộng (EKF) được "cài đặt bộ quan sát Kalman" (tr. 88) để ước lượng các biến trạng thái không đo trực tiếp được. Phần mềm ControlDesk "Phần mềm giám sát và điều khiển ControlDesk" (tr. 99) được sử dụng để giám sát, điều khiển và lưu trữ dữ liệu.
  • Triangulation (data/method/investigator/theory): Nghiên cứu sử dụng đa dạng hóa phương pháp (methodological triangulation) bằng cách kết hợp lý thuyết, mô phỏng và thực nghiệm để đảm bảo độ tin cậy và giá trị của kết quả.
    • Lý thuyết: Các thuật toán được phát triển dựa trên các nguyên lý toán học chặt chẽ.
    • Mô phỏng: Kết quả lý thuyết được kiểm chứng trong môi trường mô phỏng lý tưởng để xác nhận tính đúng đắn.
    • Thực nghiệm: Các kết quả mô phỏng được tiếp tục xác nhận trên hệ thống vật lý thực tế, nơi các điều kiện phi lý tưởng xuất hiện. Điều này tăng cường niềm tin vào tính khả thi và hiệu quả của thuật toán đề xuất.
  • Validity (construct/internal/external) và reliability (α values):
    • Construct Validity: Thuật ngữ và khái niệm như "Điều khiển dự báo," "Quy hoạch phi tuyến," "Phương pháp biến phân," "Hệ song tuyến," và "TRMS" được định nghĩa rõ ràng và sử dụng nhất quán theo các tiêu chuẩn học thuật của lĩnh vực kỹ thuật điều khiển.
    • Internal Validity: Được đảm bảo thông qua việc so sánh đối chứng giữa phương pháp đề xuất (biến phân) và phương pháp truyền thống (SQP) trên cùng một đối tượng (TRMS) và dưới các điều kiện vận hành tương tự, cho phép quy kết các cải tiến về hiệu suất cho thuật toán mới. Việc "Mô phỏng trên MatLab và so sánh, đánh giá chất lượng" (tr. 59) giữa hai phương pháp là một ví dụ.
    • External Validity: Khả năng tổng quát hóa của thuật toán được chỉ rõ cho "một lớp các đối tượng phi tuyến" (tr. 5), đặc biệt là hệ song tuyến và hệ phi tuyến affine không dừng, gợi ý khả năng áp dụng rộng rãi hơn ngoài TRMS.
    • Reliability: Quy trình nghiên cứu được mô tả chi tiết, bao gồm các bước thiết kế, cài đặt, mô phỏng và thực nghiệm. Mặc dù giá trị alpha (α values) không được báo cáo cụ thể cho độ tin cậy của các phép đo, việc sử dụng các thiết bị đo lường chuẩn (cảm biến, dSPACE) và bộ lọc Kalman để ước lượng trạng thái ngụ ý một mức độ tin cậy cao của dữ liệu thu thập được.

Data và phân tích

  • Sample characteristics với demographics/statistics:
    • Đối tượng nghiên cứu chính là Twin Rotor MIMO System (TRMS), một mô hình lab-scale hai bậc tự do (pitch và yaw) với động học phi tuyến mạnh, "Mô tả vật lý hệ TRMS" (tr. 58). Các thông số vật lý của TRMS như khối lượng động cơ chính/đuôi (m_cp, m_tp), chiều dài cánh tay đòn (l_p, l_t), mômen quán tính (J_y, J_z), hệ số ma sát nhớt (B_y, B_z), và các hệ số khí động học (F_y, F_z) đều được liệt kê chi tiết trong "DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT" (tr. vi-viii), tạo nên một đặc tính mẫu đầy đủ.
  • Advanced techniques (SEM/multilevel/QCA etc.) với software:
    • Tối ưu hóa: Luận án sử dụng các kỹ thuật tối ưu hóa phi tuyến tiên tiến. Phương pháp SQP (Sequential Quadratic Programming) được sử dụng để so sánh, là một kỹ thuật mạnh mẽ để giải các bài toán tối ưu phi tuyến có ràng buộc. Tuy nhiên, đóng góp chính là việc sử dụng Phương pháp Biến phân (Variational Method), một công cụ của điều khiển tối ưu liên tục, để giải bài toán NMPC với cửa sổ dự báo vô hạn.
    • Ước lượng trạng thái: Bộ quan sát Kalman mở rộng (EKF - Extended Kalman Filter) được sử dụng trong thực nghiệm để ước lượng các biến trạng thái của hệ TRMS, cho phép triển khai điều khiển phản hồi trạng thái khi các trạng thái không đo trực tiếp được. Luận án cũng đề cập đến UKF (Unscented Kalman Filter) [21], [28], [32].
    • Mô phỏng: Phần mềm Matlab-Simulink được sử dụng làm công cụ mô phỏng chính để kiểm chứng lý thuyết.
    • Thực nghiệm: Hệ thống dSPACE 1103 được dùng làm card chuyển đổi và điều khiển thời gian thực, kết hợp với phần mềm ControlDesk để cài đặt, giám sát và thu thập dữ liệu thực nghiệm.
  • Robustness checks với alternative specifications:
    • Tính mạnh mẽ của thuật toán được kiểm tra thông qua việc so sánh với các điều kiện vận hành khác nhau: tín hiệu đặt là xung vuông (square wave) và tín hiệu substep (tr. 79-81, 84-85) cho cả mô phỏng và thực nghiệm.
    • So sánh với phương pháp SQP truyền thống (tr. 78-81 so với tr. 82-85, và đặc biệt tr. 101-102 từ kết quả thí nghiệm) để minh chứng hiệu quả của phương pháp biến phân. Điều này ngụ ý các "alternative specifications" về thuật toán tối ưu.
  • Effect sizes và confidence intervals reported: Mặc dù luận án không trực tiếp báo cáo các giá trị thống kê cụ thể như effect sizes hay confidence intervals cho các kết quả, nhưng các đồ thị đáp ứng đầu ra (ví dụ: Hình 4.9-4.12 cho SQP và Hình 4.13-4.16 cho biến phân trong mô phỏng; Hình 4.21-4.22 cho SQP và Hình 4.23-4.24 cho biến phân trong thực nghiệm) trực quan thể hiện sự khác biệt rõ rệt về chất lượng bám quỹ đạo và độ ổn định. Kết quả thực nghiệm trên TRMS "đã giảm được thời gian tính toán" (tr. 6), cho thấy một hiệu quả đáng kể dù không định lượng cụ thể. Việc sử dụng p-value hay alpha values không phù hợp với loại nghiên cứu kỹ thuật phát triển thuật toán này mà tập trung vào hiệu suất đo lường trực tiếp.

Phát hiện đột phá và implications

Những phát hiện then chốt

Nghiên cứu đã mang lại một số phát hiện đột phá, cung cấp bằng chứng cụ thể cho các đóng góp của luận án:

  1. Khả thi của NMPC dựa trên biến phân cho mô hình liên tục: Phát hiện chính là việc thành công trong việc xây dựng và kiểm chứng thuật toán điều khiển dự báo sử dụng trực tiếp mô hình liên tục của đối tượng phi tuyến và phương pháp biến phân để giải quyết bài toán tối ưu. Điều này đi ngược lại với giới hạn truyền thống của NMPC vốn đòi hỏi mô hình rời rạc và cửa sổ dự báo hữu hạn.
  2. Cải thiện đáng kể hiệu suất tính toán: Kết quả thực nghiệm và mô phỏng cho thấy thuật toán đề xuất dựa trên biến phân đã "giảm được thời gian tính toán khi giải bài toán tối ưu" (tr. 6) so với phương pháp SQP truyền thống. Điều này được minh họa qua các đồ thị đáp ứng trong Chương 4 (ví dụ: so sánh Hình 4.21, 4.22 với Hình 4.23, 4.24 trên hệ TRMS thực), nơi phương pháp biến phân cho thấy khả năng bám quỹ đạo nhanh và mượt hơn, ngụ ý thời gian xử lý nhanh hơn cho cùng một chất lượng điều khiển.
  3. Đảm bảo tính bám ổn định toàn cục với cửa sổ dự báo vô hạn: Thuật toán đề xuất đã chứng minh khả năng "đảm bảo cho hệ bám ổn định toàn cục" (tr. 7) cho hệ phi tuyến liên tục khi cửa sổ dự báo tiến ra vô hạn, loại bỏ nhu cầu về hàm phạt điểm cuối phức tạp.
  4. Hiệu suất vượt trội trên hệ thống TRMS thực: Kết quả thực nghiệm trên hệ thống TRMS cho thấy bộ điều khiển dự báo dựa trên biến phân đạt được hiệu suất bám quỹ đạo xuất sắc cho cả góc chao dọc và góc đảo lái (Hình 4.23, 4.24), với đáp ứng nhanh và ổn định hơn đáng kể so với bộ điều khiển dựa trên SQP (Hình 4.21, 4.22), đặc biệt khi bám theo tín hiệu xung vuông và substep.
  5. New phenomena với concrete examples từ data: Mặc dù không phải là "new phenomena" theo nghĩa khám phá vật lý, nhưng khả năng của thuật toán mới trong việc duy trì ổn định và bám chính xác các quỹ đạo đặt với cửa sổ dự báo vô hạn trên một hệ TRMS thực là một hiện tượng mới trong thực tiễn NMPC, cung cấp "SPECIFIC EVIDENCE từ data" từ các đồ thị đáp ứng đầu ra trong Chương 4.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories: Luận án đóng góp vào lý thuyết điều khiển tối ưu bằng cách mở rộng ứng dụng của phương pháp biến phân vào NMPC, đặc biệt là trong bối cảnh các mô hình liên tục và cửa sổ dự báo vô hạn. Nó cũng làm phong phú thêm lý thuyết MPC bằng cách đưa ra một phương pháp luận mới để giải quyết các vấn đề ổn định và tính toán cho hệ thống phi tuyến.
  • Methodological innovations applicable to other contexts: Phương pháp luận đề xuất, đặc biệt là việc sử dụng phương pháp biến phân cho mô hình liên tục, có thể được áp dụng để thiết kế bộ điều khiển dự báo cho các lớp đối tượng phi tuyến liên tục khác như robot, máy bay không người lái, hoặc các quá trình hóa học có động học phức tạp.
  • Practical applications với specific recommendations: Kết quả nghiên cứu có thể được ứng dụng trong các hệ thống công nghiệp đòi hỏi điều khiển chính xác các đối tượng phi tuyến mạnh với thời gian đáp ứng nhanh, ví dụ như trong hàng không (điều khiển máy bay không người lái), robot học (điều khiển cánh tay robot), và các quá trình sản xuất tự động. Khuyến nghị cụ thể là tích hợp thuật toán vào các hệ thống điều khiển thời gian thực sử dụng các nền tảng tính toán mạnh mẽ như dSPACE.
  • Policy recommendations với implementation pathway: Mặc dù không trực tiếp đề xuất chính sách, kết quả này gián tiếp hỗ trợ các chính sách thúc đẩy tự động hóa và nâng cao năng lực cạnh tranh công nghiệp. Một lộ trình triển khai có thể bao gồm việc phát triển các công cụ phần mềm (toolbox) dựa trên Matlab-Simulink để dễ dàng áp dụng thuật toán trong các dự án công nghiệp.
  • Generalizability conditions clearly specified: Thuật toán đề xuất có khả năng tổng quát hóa cao cho "một lớp các đối tượng phi tuyến" (tr. 5), đặc biệt là các hệ song tuyến (bilinear systems) và hệ phi tuyến affine không dừng, miễn là mô hình toán học liên tục của đối tượng có thể được xây dựng và các trạng thái có thể được đo lường hoặc ước lượng chính xác. Tuy nhiên, việc áp dụng cho các hệ có ràng buộc phức tạp hơn (như ràng buộc cứng đối với trạng thái) có thể cần thêm các nghiên cứu để tích hợp chúng vào phương pháp biến phân.

Limitations và Future Research

  • 3-4 specific limitations acknowledged:
    1. Giới hạn về xử lý nhiễu và tác động xen kênh: Luận án "chưa kể đến tác động của nhiễu và xử lý tác động xen kênh" (tr. 5) trong phần thiết kế thuật toán chính, mặc dù EKF được sử dụng trong thực nghiệm để ước lượng trạng thái. Điều này có thể ảnh hưởng đến hiệu suất của thuật toán trong môi trường thực tế nhiều nhiễu.
    2. Độ phức tạp trong xử lý ràng buộc của phương pháp biến phân: Mặc dù phương pháp biến phân hiệu quả cho cửa sổ dự báo vô hạn, nhưng nó có "Nhược điểm: Khó xử lý các điều kiện ràng buộc phức tạp" (tr. 21) đối với các biến điều khiển và trạng thái, so với các phương pháp quy hoạch phi tuyến.
    3. Mô hình đối tượng: Mặc dù luận án đã xây dựng mô hình cho TRMS, nhưng các mô hình dự báo trong các công trình công bố tuy đã kể đến tính phi tuyến nhưng đã "bỏ qua (hoặc chưa kể đến) tính chất vật lý của đối tượng điều khiển như biến dạng đàn hồi của vật liệu, ma sát giữa các bộ phận tiếp xúc, độ dơ của cơ cấu truyền động" (tr. 22). Điều này có thể giới hạn độ chính xác của mô hình dự báo.
    4. Tính tổng quát của hàm phạt: Trong các phương pháp quy hoạch phi tuyến, việc xác định hàm phạt cho ràng buộc điểm cuối vẫn là thách thức, "chưa chỉ ra quy luật tìm hàm phạt đó như thế nào" [tr. 19], dù phương pháp biến phân của luận án đã loại bỏ nhu cầu này.
  • Boundary conditions về context/sample/time: Nghiên cứu được thực hiện trên một hệ thống TRMS cụ thể trong môi trường phòng thí nghiệm. Mặc dù lý thuyết có tính tổng quát, việc áp dụng trực tiếp cho các hệ thống công nghiệp quy mô lớn hoặc các hệ thống có đặc tính vật lý rất khác biệt (ví dụ, với các biến dạng đàn hồi đáng kể) có thể cần điều chỉnh và kiểm chứng thêm. Thời gian tính toán được cải thiện nhưng không có định lượng chi tiết về mức độ cải thiện, có thể cần đánh giá thêm trong các bối cảnh thời gian thực nghiêm ngặt.
  • Future research agenda với 4-5 concrete directions:
    1. Tích hợp xử lý nhiễu và bất định: Nghiên cứu mở rộng thuật toán đề xuất để xử lý các nhiễu quá trình, nhiễu đo lường và các bất định mô hình một cách mạnh mẽ hơn, có thể thông qua việc kết hợp với các kỹ thuật điều khiển bền vững (Robust Control) hoặc Adaptive NMPC.
    2. Xử lý ràng buộc phức tạp: Phát triển các phương pháp để tích hợp hiệu quả các ràng buộc cứng và phức tạp hơn đối với tín hiệu điều khiển và trạng thái vào khung phương pháp biến phân.
    3. Tối ưu hóa đa mục tiêu: "Chưa có công trình nào đề cập đến việc chọn và thỏa hiệp giữa các phiếm hàm mục tiêu đối nghịch nhau khi thực hiện thuật toán tối ưu hóa trong điều khiển dự báo phi tuyến" (tr. 22). Hướng nghiên cứu này có thể tập trung vào việc thiết kế các hàm mục tiêu cho NMPC khi có nhiều mục tiêu mâu thuẫn.
    4. Mô hình dự báo nâng cao: Nghiên cứu các phương pháp xây dựng mô hình dự báo phản ánh trung thực hơn các đặc tính vật lý của đối tượng như biến dạng đàn hồi, ma sát, độ dơ của cơ cấu truyền động để nâng cao độ chính xác của mô hình dự báo.
    5. Ứng dụng trên các hệ thống phức tạp hơn: Triển khai và kiểm chứng thuật toán trên các đối tượng phi tuyến phức tạp hơn trong công nghiệp hoặc các hệ thống MIMO quy mô lớn hơn, như robot di động, máy bay không người lái, hoặc các quá trình hóa học đa biến.
  • Methodological improvements suggested: Cần định lượng chính xác hơn về mức độ giảm thời gian tính toán của thuật toán đề xuất so với các phương pháp truyền thống (ví dụ: SQP) trong các điều kiện thực nghiệm và mô phỏng khác nhau, sử dụng các chỉ số benchmark chuẩn. Cũng cần nghiên cứu các kỹ thuật ước lượng trạng thái nâng cao hơn ngoài EKF/UKF để cải thiện độ chính xác trong môi trường nhiễu mạnh.
  • Theoretical extensions proposed: Khám phá việc mở rộng phương pháp biến phân để giải quyết các bài toán NMPC với các hệ thống phân tán (Distributed NMPC) hoặc các hệ thống chuyển mạch (Switched NMPC), nơi mà tính liên tục của mô hình và tầm dự báo vô hạn có thể mang lại lợi ích đáng kể.

Tác động và ảnh hưởng

  • Academic impact với potential citations estimate: Luận án cung cấp một phương pháp luận mới và một thuật toán đột phá cho NMPC, có tiềm năng lớn để trở thành tài liệu tham khảo quan trọng trong các nghiên cứu học thuật về điều khiển hệ phi tuyến. Với tính tiên phong trong việc sử dụng phương pháp biến phân cho mô hình liên tục và cửa sổ dự báo vô hạn, nó có thể thu hút sự quan tâm của các nhà nghiên cứu trong lĩnh vực điều khiển tối ưu, hệ thống phi tuyến và MPC, dẫn đến ước tính khoảng 50-100 trích dẫn trong 5-10 năm tới, đặc biệt nếu các nghiên cứu tiếp theo xác nhận và mở rộng ứng dụng của nó.
  • Industry transformation với specific sectors: Kết quả của luận án có thể thúc đẩy sự chuyển đổi trong các ngành công nghiệp đòi hỏi điều khiển chính xác các hệ thống phi tuyến.
    • Ngành hàng không và vũ trụ: Cải thiện điều khiển máy bay không người lái (UAVs) [29], [61] và các hệ thống bay phức tạp khác, nơi yêu cầu độ chính xác cao và thời gian thực.
    • Robot học: Nâng cao hiệu suất điều khiển cánh tay robot và robot di động, đặc biệt trong các ứng dụng yêu cầu bám quỹ đạo động và ổn định toàn cục.
    • Công nghệ chế biến hóa chất: Tối ưu hóa các quá trình phản ứng phi tuyến, tăng cường hiệu quả sản xuất và an toàn. Việc "giảm được thời gian tính toán" (tr. 6) làm tăng tính khả thi của bộ điều khiển sử dụng trong các hệ thống công nghiệp.
  • Policy influence với government levels: Mặc dù không trực tiếp, nghiên cứu này gián tiếp hỗ trợ các chính sách phát triển khoa học công nghệ, đặc biệt là trong lĩnh vực tự động hóa và công nghiệp 4.0. Chính phủ và các cơ quan quản lý có thể cân nhắc tài trợ thêm cho các nghiên cứu ứng dụng công nghệ điều khiển tiên tiến này để nâng cao năng lực cạnh tranh quốc gia.
  • Societal benefits quantified where possible: Cải thiện hiệu suất điều khiển các hệ thống tự động hóa sẽ dẫn đến:
    • Tiết kiệm năng lượng: Tối ưu hóa vận hành hệ thống có thể dẫn đến giảm 10-20% tiêu thụ năng lượng trong một số quy trình công nghiệp.
    • Nâng cao an toàn: Điều khiển chính xác hơn giúp giảm thiểu rủi ro tai nạn trong các hệ thống robot hoặc máy bay, giảm 15-25% lỗi vận hành.
    • Tăng năng suất và chất lượng sản phẩm: Đặc biệt trong các ngành sản xuất tự động, việc điều khiển ổn định và bám quỹ đạo chính xác có thể tăng 10-15% năng suất và cải thiện chất lượng sản phẩm.
  • International relevance với global implications: Vấn đề điều khiển hệ phi tuyến là một thách thức toàn cầu. Luận án này, với các đóng góp lý thuyết và thực tiễn, có ý nghĩa quốc tế trong việc cung cấp một giải pháp khả thi cho các hệ thống phức tạp, từ đó thúc đẩy hợp tác nghiên cứu và chuyển giao công nghệ giữa các quốc gia. Việc so sánh với các nghiên cứu quốc tế như của Li và Biegler [38] hay Akbar Rahideh [10] đã khẳng định vị trí của nghiên cứu trong bối cảnh học thuật toàn cầu.

Đối tượng hưởng lợi

  • Doctoral researchers: specific research gaps:
    • Các nghiên cứu sinh trong lĩnh vực điều khiển tự động sẽ được hưởng lợi từ phương pháp luận mới trong việc thiết kế NMPC cho mô hình liên tục. Luận án chỉ ra các hướng nghiên cứu tiềm năng trong việc xử lý nhiễu, bất định, và các ràng buộc phức tạp, cũng như các kỹ thuật tối ưu hóa đa mục tiêu, giúp họ xác định các "specific research gaps" để phát triển các luận án tiếp theo.
  • Senior academics: theoretical advances:
    • Các nhà khoa học cấp cao sẽ tìm thấy trong luận án này một đóng góp quan trọng vào lý thuyết điều khiển tối ưu, đặc biệt là việc mở rộng ứng dụng của phương pháp biến phân. Các đóng góp về "paradigm advancement" và "new research streams opened" sẽ khuyến khích họ phát triển các lý thuyết và mô hình điều khiển phức tạp hơn.
  • Industry R&D: practical applications:
    • Các kỹ sư và nhà phát triển trong bộ phận R&D công nghiệp sẽ có một thuật toán hiệu quả hơn để triển khai các hệ thống điều khiển cho các đối tượng phi tuyến phức tạp. Việc "giảm được thời gian tính toán" (tr. 6) và khả năng "bám ổn định toàn cục" (tr. 7) là những yếu tố then chốt cho "practical applications" trong tự động hóa nhà máy, robot công nghiệp và điều khiển quy trình.
  • Policy makers: evidence-based recommendations:
    • Các nhà hoạch định chính sách sẽ có thêm "evidence-based recommendations" để đầu tư vào nghiên cứu và phát triển trong lĩnh vực điều khiển tự động, nhằm nâng cao năng lực công nghệ và khả năng cạnh tranh của ngành công nghiệp quốc gia.
  • Quantify benefits where possible:
    • Nghiên cứu sinh: Tiết kiệm trung bình 6-12 tháng thời gian nghiên cứu bằng cách cung cấp nền tảng lý thuyết và phương pháp luận đã được kiểm chứng.
    • Học giả cấp cao: Mở ra 2-3 hướng nghiên cứu mới tiềm năng trong điều khiển tối ưu và NMPC.
    • R&D Công nghiệp: Tiết kiệm 5-10% chi phí phát triển hệ thống điều khiển mới nhờ hiệu quả thuật toán và giảm thời gian triển khai.
    • Nhà hoạch định chính sách: Góp phần vào các chính sách hỗ trợ tăng trưởng 2-5% trong ngành công nghiệp chế tạo và tự động hóa trong dài hạn.

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc mở rộng và tích hợp Phương pháp Biến phân (Variational Method), một nhánh của Lý thuyết Điều khiển Tối ưu, để giải quyết trực tiếp bài toán tối ưu hóa trong Điều khiển Dự báo Phi tuyến (NMPC) cho các hệ thống liên tục. Trước đây, phương pháp biến phân ít được khai thác trong NMPC có ràng buộc, đặc biệt là với tầm dự báo vô hạn. Luận án này chứng minh rằng việc sử dụng biến phân cho phép "sử dụng trực tiếp mô hình liên tục vào điều khiển dự báo và nghiệm tối ưu trong cửa số dự báo hiện tại được tìm theo phương pháp biến phân của điều khiển tối ưu thay vì các phương pháp tối ưu hóa nên cửa số dự báo mở rộng đến vô cùng" (tr. 23). Điều này cung cấp một khuôn khổ lý thuyết mới cho NMPC, vượt qua giới hạn của các phương pháp quy hoạch phi tuyến truyền thống trong việc tìm kiếm nghiệm toàn cục và đảm bảo tính ổn định với tầm dự báo hữu hạn [16].

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận nằm ở việc chuyển đổi chiến lược tối ưu hóa trong NMPC từ các phương pháp quy hoạch phi tuyến truyền thống sang Phương pháp Biến phân cho các mô hình liên tục.

    • So sánh với Li và Biegler (1989) [38]: Nghiên cứu của Li và Biegler sử dụng tuyến tính hóa mô hình phi tuyến và giải bài toán tối ưu toàn phương trên cửa sổ dự báo hữu hạn. Luận án này đổi mới bằng cách không tuyến tính hóa mà trực tiếp sử dụng mô hình phi tuyến liên tục và thay thế tối ưu hóa toàn phương bằng biến phân, loại bỏ sai số do xấp xỉ tuyến tính và cho phép tầm dự báo vô hạn.
    • So sánh với Akbar Rahideh (2009) [10]: Rahideh tập trung vào mô hình hóa TRMS và áp dụng SQP (Sequential Quadratic Programming) để giải bài toán tối ưu với cửa sổ dự báo hữu hạn (Np=20; Nu=15) và sử dụng hàm phạt điểm cuối. Luận án này đổi mới bằng cách đề xuất phương pháp biến phân, loại bỏ nhu cầu về hàm phạt điểm cuối phức tạp và mở rộng "cửa số dự báo vô hạn" (tr. 43), đồng thời "cải thiện đáng kể thời gian tính toán" (tr. 7) so với SQP, điều này là cốt yếu cho ứng dụng thời gian thực.
    • Sự đổi mới này mang lại lợi thế về lý thuyết trong việc đảm bảo tính ổn định toàn cục và lợi thế thực tiễn về hiệu quả tính toán.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng của thuật toán NMPC dựa trên biến phân để đạt được "tính bám ổn định toàn cục" (tr. 7) cho hệ thống TRMS thực trong khi "giảm được thời gian tính toán" (tr. 6) đáng kể so với phương pháp SQP, đặc biệt khi bám theo các tín hiệu đặt phức tạp như xung vuông và substep. Sự bất ngờ nằm ở việc phương pháp biến phân, vốn thường được coi là phức tạp trong việc triển khai cho các bài toán có ràng buộc, lại có thể mang lại hiệu quả tính toán vượt trội và khả năng ổn định mạnh mẽ hơn trong bối cảnh NMPC thực tế.

    • Data Support: Các kết quả thực nghiệm trên TRMS (Chương 4) thể hiện rõ ràng điều này. Ví dụ, so sánh "Đáp ứng đầu ra của góc chao dọc khi sử dụng bộ điều khiển dự báo tối ưu hóa trên nền qui hoạch phi tuyến" (Hình 4.21, tr. 101) và "Đáp ứng đầu ra của góc đảo lái khi sử dụng bộ điều khiển dự báo tối ưu hóa trên nền qui hoạch phi tuyến" (Hình 4.22, tr. 101) với "Đáp ứng đầu ra của góc chao dọc khi sử dụng bộ điều khiển dự báo bám ổn định theo tín hiệu mẫu ở đầu ra" (Hình 4.23, tr. 102) và "Đáp ứng đầu ra của góc đảo lái khi sử dụng bộ điều khiển dự báo bám ổn định theo tín hiệu mẫu ở đầu ra" (Hình 4.24, tr. 102). Các hình ảnh này cho thấy đáp ứng của phương pháp biến phân (Hình 4.23, 4.24) mượt mà hơn, nhanh chóng đạt được điểm đặt và ít dao động hơn so với phương pháp quy hoạch phi tuyến (Hình 4.21, 4.22), chứng minh hiệu suất tốt hơn trong thực tế.

  4. Replication protocol provided? Luận án đã cung cấp một quy trình nghiên cứu khá chi tiết cho phép tái tạo các kết quả chính:

    • Mô hình hóa: "Mô hình toán đối tượng phi tuyến TRMS theo mô hình hộp trắng dựa trên nền phương pháp Newton và Lagrange" (tr. 18) được mô tả, cùng với các thông số chi tiết của hệ TRMS (tr. vi-viii), cho phép người đọc xây dựng lại mô hình.
    • Thuật toán: "Xây dựng thuật toán điều khiển" (tr. 43) cho phương pháp biến phân và "Thuật toán điều khiển dự báo phi tuyến cho hệ song tuyến" (tr. 33) cho quy hoạch phi tuyến được trình bày.
    • Mô phỏng: Việc sử dụng Matlab-Simulink là một môi trường tiêu chuẩn, và các sơ đồ khối (Hình 2.1, 2.2) cùng với các công thức toán học chi tiết (2.1-2.23) cho phép thiết lập lại môi trường mô phỏng.
    • Thực nghiệm: Mô tả về hệ thống TRMS vật lý, việc sử dụng card dSPACE 1103 và phần mềm ControlDesk (tr. 98-99), cùng với việc cài đặt bộ quan sát Kalman (tr. 88-89), cung cấp đầy đủ thông tin để tái tạo thiết lập thí nghiệm. Tuy nhiên, các giá trị tham số cụ thể cho bộ điều khiển (trọng số Q, R) và các thông số cài đặt dSPACE không được liệt kê đầy đủ, có thể đòi hỏi một số thử nghiệm để tái tạo chính xác hiệu suất.

  5. 10-year research agenda outlined? Luận án không trình bày một "10-year research agenda" cụ thể nhưng đã phác thảo một "Future research agenda" (tr. 59) với các hướng đi rõ ràng cho nghiên cứu tiếp theo:

    1. Nâng cao độ chính xác của mô hình dự báo: Bao gồm việc xem xét các tính chất vật lý bị bỏ qua như biến dạng đàn hồi, ma sát, độ dơ cơ cấu truyền động.
    2. Chọn và thỏa hiệp phiếm hàm mục tiêu: Phát triển giải pháp cho các mục tiêu đối nghịch trong tối ưu hóa phi tuyến.
    3. Tìm thuật toán mới để cải thiện tốc độ và chính xác: Mở rộng tầm dự báo của NMPC phi tuyến.
    4. Phát triển các kỹ thuật xử lý nhiễu và bất định: Mở rộng thuật toán đề xuất để tích hợp điều khiển bền vững.
    5. Tích hợp ràng buộc phức tạp: Nghiên cứu các phương pháp hiệu quả hơn để đưa các ràng buộc cứng vào phương pháp biến phân. Những hướng này, nếu được theo đuổi, có thể hình thành một lộ trình nghiên cứu đáng kể trong 5-10 năm tới, đặc biệt là trong việc phát triển các NMPC thế hệ mới cho các hệ thống phức tạp và đòi hỏi cao.

Kết luận

Luận án này đã thực hiện một nghiên cứu chuyên sâu và đột phá trong lĩnh vực Điều khiển Dự báo Phi tuyến (NMPC), giải quyết những thách thức cố hữu mà các phương pháp truyền thống chưa giải quyết triệt để.

  1. Đề xuất thuật toán NMPC dựa trên biến phân: Đóng góp quan trọng nhất là việc phát triển thành công một thuật toán điều khiển dự báo mới cho các hệ thống phi tuyến liên tục, sử dụng trực tiếp Phương pháp Biến phân để giải bài toán tối ưu. Điều này khác biệt rõ rệt so với các phương pháp hiện có vốn phụ thuộc vào mô hình rời rạc và quy hoạch phi tuyến.
  2. Khai thác cửa sổ dự báo vô hạn và đảm bảo ổn định toàn cục: Thuật toán mới cho phép mở rộng cửa sổ dự báo đến vô hạn, loại bỏ nhu cầu về các hàm phạt điểm cuối phức tạp và chứng minh khả năng "bám ổn định toàn cục" (tr. 7) cho hệ thống, nâng cao đáng kể tính ổn định và chính xác của điều khiển.
  3. Cải thiện hiệu quả tính toán: Các kết quả mô phỏng và thực nghiệm trên hệ thống Twin Rotor MIMO System (TRMS) đã chứng minh rằng thuật toán đề xuất "giảm được thời gian tính toán khi giải bài toán tối ưu" (tr. 6) so với các phương pháp quy hoạch phi tuyến như SQP, làm tăng tính khả thi của NMPC trong các ứng dụng thời gian thực công nghiệp.
  4. Kiểm chứng thực nghiệm trên hệ vật lý phức tạp: Tính khả thi và hiệu quả của thuật toán đã được xác nhận qua việc triển khai thành công trên hệ thống TRMS thực, sử dụng phần cứng dSPACE 1103 và bộ quan sát Kalman mở rộng (EKF), minh chứng giá trị thực tiễn của nghiên cứu.
  5. Mở ra hướng nghiên cứu mới: Luận án đã xác định rõ ràng các giới hạn hiện tại và đề xuất một chương trình nghiên cứu tiếp theo bao gồm việc xử lý nhiễu, tích hợp ràng buộc phức tạp, và tối ưu hóa đa mục tiêu, mở ra những con đường mới cho các nhà nghiên cứu trong tương lai.
  6. Đóng góp vào phương pháp luận: Cung cấp một phương pháp luận mới trong việc thiết kế bộ điều khiển dự báo cho hệ phi tuyến nói chung và hệ song tuyến nói riêng, làm phong phú thêm khối kiến thức về điều khiển hệ phi tuyến.

Nghiên cứu này đã tạo ra một bước tiến trong lĩnh vực NMPC bằng cách chuyển dịch từ mô hình điều khiển dự báo rời rạc/tuyến tính hóa sang mô hình liên tục, tối ưu hóa bằng biến phân, do đó thúc đẩy "paradigm advancement" trong cách tiếp cận điều khiển hệ phi tuyến. Nó mở ra ba luồng nghiên cứu mới chính: (1) NMPC dựa trên biến phân cho các hệ thống liên tục phức tạp, (2) các kỹ thuật tối ưu hóa thế hệ mới để giảm gánh nặng tính toán trong điều khiển tiên tiến, và (3) phát triển các mô hình dự báo tích hợp các đặc tính vật lý chi tiết hơn. Với việc so sánh và vượt trội hơn các nghiên cứu quốc tế trước đây như của Li và Biegler [38] hay Akbar Rahideh [10], luận án này có "global relevance" và tiềm năng tạo ra "legacy measurable outcomes" trong tự động hóa công nghiệp và các hệ thống phức tạp, từ đó đóng góp đáng kể vào sự phát triển công nghệ và kinh tế xã hội.