Nghiên cứu ứng dụng bộ điều khiển PID thích nghi dựa trên mạng nơ-ron nhân tạo cho hệ thống điều khiển tàu thủy

Tổng quan về luận án

Luận án này trình bày một bước tiến đột phá trong lĩnh vực điều khiển tự động hàng hải, tập trung vào việc khắc phục những hạn chế cố hữu của các hệ thống điều khiển tàu thủy truyền thống. Trong bối cảnh khoa học hiện tại, mặc dù bộ điều khiển tỷ lệ - vi phân - tích phân (PID) vẫn chiếm ưu thế với hơn 90% ứng dụng trong công nghiệp [17] nhờ cấu trúc đơn giản và tính bền vững, nhưng khả năng hoạt động tối ưu của nó lại phụ thuộc chặt chẽ vào mô hình động học chính xác của đối tượng. Đối với tàu thủy, một hệ thống phức tạp với tính năng động học phi tuyến cao và chịu tác động liên tục từ các yếu tố nhiễu loạn bên ngoài như sóng, gió, dòng chảy – những yếu tố cũng mang đặc tính phi tuyến và không xác định cao – việc xây dựng một mô hình toán học chính xác là vô cùng thách thức. Điều này tạo ra một research gap cụ thể: thiếu các phương pháp điều khiển tiên tiến có khả năng thích nghi mạnh mẽ, điều chỉnh tham số tự động trong thời gian thực, và đặc biệt là nhận dạng hiệu quả các mô hình tàu phi tuyến biến đổi theo thời gian, vượt qua giới hạn của các nghiên cứu trước đó vốn chỉ tập trung vào mô hình tuyến tính tĩnh. Các nghiên cứu hiện có về PID thông minh (ví dụ: Martins and Coelho [33], Junghui và Huang [26]) đã tích hợp các kỹ thuật trí tuệ nhân tạo, nhưng vẫn còn khoảng trống lớn trong việc ứng dụng và thử nghiệm một cách toàn diện cho hệ thống điều khiển hướng đi tàu thủy trong môi trường thực tế, đặc biệt là ở Việt Nam. Theo nhận định của tác giả, "Tại Việt Nam, việc nghiên cứu hệ thống điều khiển tiên tiến cho tàu thủy vẫn còn khiêm tốn và chưa được ứng dụng rộng rãi."

Để giải quyết khoảng trống này, nghiên cứu đề xuất và phát triển ứng dụng bộ điều khiển PID dựa trên mạng nơ-ron nhân tạo thích nghi (Adaptive Neural Network-based PID Controller) cho hệ thống điều khiển hướng đi tàu thủy.

Research Questions:

1. Làm thế nào để phát triển một bộ điều khiển PID dựa trên mạng nơ-ron thích nghi có khả năng tự động điều chỉnh các tham số Kp, Ki, Kd trong thời gian thực, nhằm đạt được chất lượng điều khiển tối ưu cho hệ thống hướng đi tàu thủy phi tuyến dưới tác động của nhiễu loạn môi trường?
2. Làm thế nào để xây dựng một bộ nhận dạng nơ-ron có khả năng nhận diện các mô hình động học tàu thủy phi tuyến biến đổi theo thời gian một cách nhanh chóng và chính xác, vượt trội so với các phương pháp nhận dạng mô hình tuyến tính tĩnh trước đây?
3. Việc tích hợp bộ điều khiển PID nơ-ron thích nghi với bộ nhận dạng nơ-ron trực tuyến có cải thiện đáng kể tính thích nghi, độ chính xác dẫn đường và khả năng điều khiển dự đoán theo thời gian thực cho tàu thủy so với bộ điều khiển PID thông thường hay không?
4. Tính khả thi và hiệu quả của bộ điều khiển PID nơ-ron thích nghi được đề xuất có thể được chứng minh thông qua mô phỏng trên phần mềm Matlab và thực nghiệm trên mô hình tàu thu nhỏ trong bể thử nghiệm thực tế như thế nào?

Hypotheses:

1. H1: Bộ điều khiển PID dựa trên mạng nơ-ron lan truyền ngược với thuật toán huấn luyện tăng cường sẽ điều chỉnh các tham số PID (Kp, Ki, Kd) nhanh chóng và chính xác hơn so với việc điều chỉnh thủ công hoặc các thuật toán huấn luyện mạng truyền thống, dẫn đến hiệu suất điều khiển tốt hơn cho hệ thống hướng đi tàu thủy.
2. H2: Bộ nhận dạng mô hình tàu thủy sử dụng mạng nơ-ron truyền thẳng được huấn luyện trực tuyến, tăng cường sẽ có khả năng nhận diện các đặc tính phi tuyến và biến đổi theo thời gian của tàu thủy một cách hiệu quả, cung cấp thông tin chính xác cho bộ điều khiển dự đoán.
3. H3: Sự kết hợp giữa bộ điều khiển PID nơ-ron và bộ nhận dạng nơ-ron trực tuyến sẽ mang lại một phương pháp điều khiển dự đoán theo thời gian thực vượt trội, cải thiện đáng kể tính thích nghi, độ ổn định và độ chính xác dẫn đường của tàu thủy trong điều kiện môi trường có nhiễu loạn so với bộ điều khiển PID truyền thống.
4. H4: Kết quả mô phỏng trên Matlab và thực nghiệm trên mô hình tàu thu nhỏ sẽ xác nhận tính khả thi, hiệu quả và các ưu điểm vượt trội của bộ điều khiển PID nơ-ron thích nghi được đề xuất so với bộ điều khiển PID thông thường, đặc biệt là trong việc giảm thời gian điều chỉnh và độ vượt quá giá trị điều khiển.

Theoretical Framework: Luận án này dựa trên sự tổng hợp của nhiều lý thuyết điều khiển và trí tuệ nhân tạo.

• Lý thuyết điều khiển PID truyền thống: Nền tảng cho cấu trúc điều khiển cơ bản (Nicolas Minorsky, 1922 [19, 21, 35]).
• Lý thuyết mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN): Đặc biệt là mạng nơ-ron lan truyền ngược (Back-Propagation Neural Network - BPNN) và mạng nơ-ron hàm cơ sở xuyên tâm (Radial Basis Function Neural Network - RBFNN), để mô hình hóa và điều chỉnh phi tuyến [6, 7, 63].
• Lý thuyết điều khiển thích nghi (Adaptive Control Theory): Với trọng tâm là các phương pháp điều chỉnh tham số trực tuyến để đối phó với sự thay đổi động học của đối tượng [5, 29, 30, 31].
• Lý thuyết điều khiển thông minh (Intelligent Control Theory): Kết hợp các phương pháp tính toán mềm để giải quyết các bài toán điều khiển phức tạp, không yêu cầu mô hình toán học chính xác.

Đóng góp đột phá với quantified impact: Luận án này tạo ra các đóng góp đột phá với tiềm năng định lượng cao:

• Tăng cường khả năng thích nghi và độ chính xác dẫn đường: "Cải tiến bộ điều khiển PID và mạng nơ-ron lan truyền ngược với thuật toán huấn luyện tăng cường và bộ nhận dạng nơ-ron cho bộ điều khiển nhằm tăng cường độ chính xác dẫn đường và thích nghi với nhiễu loạn môi trường." So với các phương pháp giảm độ dốc truyền thống có tốc độ hội tụ chậm (Huo et al., 2012 [38]), thuật toán huấn luyện trực tuyến tăng cường của luận án giúp giảm thời gian điều chỉnh và độ vượt quá giá trị điều khiển. Kết quả mô phỏng ban đầu cho thấy bộ điều khiển PID nơ-ron có "thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ và độ bền vững cao hơn so với BĐK PID thông thường."
• Nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian: Đề xuất một bộ nhận dạng nơ-ron trực tuyến có khả năng nhận diện các mô hình tàu phi tuyến biến đổi theo thời gian, khác biệt rõ rệt so với các nghiên cứu trước đó chỉ nhận dạng mô hình tuyến tính tĩnh. Điều này cải thiện đáng kể chất lượng thông tin đầu vào cho điều khiển dự đoán.
• Điều khiển dự đoán theo thời gian thực: Kết hợp bộ nhận dạng nơ-ron với bộ điều khiển cho phép phương pháp điều khiển được tiến hành kiểu điều khiển dự đoán theo thời gian thực, nâng cao tính thích nghi và chất lượng điều khiển trong điều kiện nhiễu loạn.
• Thử nghiệm thực tế tiên phong: Đây là công trình đầu tiên tại Việt Nam "thực nghiệm trên mô hình tàu thu nhỏ trong bể thử trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh" để xác thực một phương pháp huấn luyện mạng trực tuyến liên tục trong quá trình điều khiển cho ứng dụng điều khiển tàu thủy. Điều này mang lại bằng chứng thực nghiệm vững chắc về tính khả thi và hiệu quả của phương pháp đề xuất.

Scope và Significance: Phạm vi nghiên cứu của luận án tập trung vào hệ thống điều khiển hướng đi của tàu thủy, đặc biệt là máy lái tự động tàu thủy. Nghiên cứu bao gồm việc phát triển thuật toán điều khiển thích nghi dựa trên sự kết hợp giữa mạng nơ-ron nhân tạo và điều khiển PID, thiết kế và mô phỏng bằng phần mềm Matlab, và thực nghiệm trên mô hình tàu thu nhỏ. Mặc dù mẫu nghiên cứu là mô hình tàu thu nhỏ, tính chất của các phương pháp điều khiển phi tuyến và thích nghi được phát triển có ý nghĩa lớn, có thể mở rộng ứng dụng cho nhiều loại tàu và phương tiện hàng hải khác. "Nghiên cứu nhằm nâng cao chất lượng hệ thống điều khiển tàu thủy sẽ là một trong những vấn đề quan trọng cho hiện đại hóa nền công nghiệp đóng tàu tại Việt Nam, nhất là trong thời kỳ Cách mạng công nghiệp 4.0." Luận án góp phần xây dựng cơ sở lý thuyết và thực tiễn cho ngành khoa học hàng hải, đặc biệt trong việc giải quyết các bài toán điều khiển phức tạp trong môi trường biển không xác định.

Literature Review và Positioning

Luận án này được đặt trong bối cảnh rộng lớn của lĩnh vực điều khiển tự động và trí tuệ nhân tạo, đặc biệt là các ứng dụng trong hàng hải. Từ khi Nicolas Minorsky áp dụng thuật toán điều khiển PID vào hệ thống máy lái tự động tàu thủy vào năm 1922 [19, 21, 35], đã có hàng loạt nghiên cứu nhằm cải tiến bộ điều khiển này. Hai hướng chính được các nhà khoa học theo đuổi là cải tiến cấu trúc PID và kết hợp PID với các lý thuyết điều khiển thông minh như lô-gic mờ, mạng nơ-ron nhân tạo (ANN) và thuật toán di truyền.

Synthesis của major streams:

• PID truyền thống: Vẫn là xương sống của nhiều hệ thống công nghiệp [17], được nghiên cứu và ứng dụng rộng rãi.
• PID thông minh (Intelligent PID):
  • Mạng nơ-ron nhân tạo kết hợp PID: Đây là một hướng nghiên cứu phát triển mạnh mẽ. Các công trình của Martins and Coelho [33], Junghui và Huang [26], Andrasik và các cộng sự [19] đã ứng dụng PID nơ-ron rộng rãi trong công nghiệp. Các thuật toán của Widrow và Streans [59], Brandt, Lin và Saikalis [19, 20], Junghui và Huang [26] cố gắng sử dụng khả năng thích nghi của ANN để điều chỉnh tham số PID mà không thay đổi cấu trúc cơ bản của bộ điều khiển.
  • Ứng dụng ANN cho tàu thủy:
    • Ming-Chung Fang và cộng sự (2010) [37] đã giới thiệu "Ứng dụng bộ điều khiển PID nơ-ron tự điều chỉnh cho giảm lắc ngang tàu thủy trong sóng ngẫu nhiên," sử dụng hai mạng nơ-ron đa lớp (nhận dạng hệ thống và điều chỉnh tham số) để tối ưu góc vây giảm lắc. Tuy nhiên, đây là giải pháp điều khiển gián tiếp với cấu trúc hệ thống phức tạp và tập trung vào giảm lắc ngang.
    • Xingxing Huo và cộng sự (2012) [38] đề xuất "Điều khiển PID dựa trên mạng nơ-ron lan truyền ngược cho điều khiển hướng đi tàu thủy," có tính đến ảnh hưởng của sóng, gió, dòng chảy. Công trình này cải thiện tính bền vững và khả năng thích nghi với mô hình tàu phi tuyến. Tuy nhiên, một hạn chế lớn được nêu trong luận án là "giải thuật của mạng nơ-ron lan truyền ngược dựa trên phương pháp giảm độ lệch gradient nên tốc độ hội tụ chậm và mạng có thể hội tụ vào các giá trị cực tiểu khác nhau."
    • Zeyu Li và cộng sự (2012) [39] đã đề xuất "Điều khiển PID dựa trên mạng nơ-ron RBF cho điều khiển hướng tàu," sử dụng khả năng xấp xỉ phi tuyến của RBF để điều chỉnh tham số PID trong thời gian thực, loại bỏ ảnh hưởng của sự không chắc chắn của mô hình và nhiễu loạn. Kết quả mô phỏng cho thấy độ chính xác tốt hơn phương pháp truyền thống.
    • Rodrigo Hernández-Alvarado và cộng sự (2016) [60] đã nghiên cứu "Điều khiển PID tự điều chỉnh dựa trên mạng nơ-ron nhân tạo cho phương tiện ngầm (ROV)," sử dụng BPNN thích nghi với dòng chảy ngầm và giảm sai số bình phương trung bình 50% so với PID thông thường. Tuy nhiên, một lần nữa, "thuật toán lan truyền ngược trong nghiên cứu này vẫn có một đặc điểm chung là tốc độ hội tụ chậm."

Contradictions/debates: Có một sự căng thẳng rõ ràng giữa nhu cầu về tính đơn giản và độ bền vững của PID truyền thống với yêu cầu về khả năng thích nghi và xử lý phi tuyến của các hệ thống điều khiển hiện đại. Trong khi các nghiên cứu quốc tế đã chứng minh hiệu quả của PID nơ-ron, một tranh luận vẫn tồn tại xoay quanh tốc độ hội tụ và khả năng thích nghi thực sự của các thuật toán huấn luyện mạng nơ-ron, đặc biệt là lan truyền ngược. Các phương pháp giảm gradient truyền thống thường chậm và dễ mắc kẹt tại cực tiểu cục bộ, như được chỉ ra trong nghiên cứu của Huo và Hernández-Alvarado. Điều này mâu thuẫn với yêu cầu về điều khiển thời gian thực và độ chính xác cao trong môi trường biển biến động.

Positioning trong literature: Luận án này định vị mình bằng cách trực tiếp giải quyết những hạn chế của các nghiên cứu trước đó. Cụ thể, nó giải quyết vấn đề "tốc độ hội tụ chậm" và "hội tụ vào các giá trị cực tiểu khác nhau" của BPNN truyền thống bằng cách tích hợp "thuật toán huấn luyện tăng cường" và "huấn luyện mạng trực tuyến liên tục" vào quá trình điều khiển. Hơn nữa, luận án nổi bật nhờ phát triển "bộ nhận dạng mô hình tàu thủy theo phương pháp tín hiệu vào - ra" sử dụng mạng nơ-ron nhiều lớp truyền thẳng được huấn luyện trực tuyến, có khả năng "nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian chứ không chỉ mô hình tuyến tính tĩnh như các nghiên cứu trước đó." Đây là một sự khác biệt đáng kể so với các công trình chỉ tập trung vào mô hình tuyến tính hoặc không giải quyết đầy đủ tính phi tuyến động.

How this advances field: Nghiên cứu này thúc đẩy lĩnh vực điều khiển hàng hải bằng cách:

• Đề xuất một giải pháp PID nơ-ron thích nghi mạnh mẽ hơn, hiệu quả hơn trong việc xử lý tính phi tuyến và nhiễu loạn không xác định.
• Cung cấp một phương pháp nhận dạng mô hình trực tuyến tiên tiến cho đối tượng biến đổi theo thời gian, một yếu tố then chốt cho điều khiển thích nghi thực tế.
• Thực hiện kiểm chứng thực nghiệm trên mô hình vật lý, vượt qua nhiều nghiên cứu chỉ dựa vào mô phỏng, mang lại độ tin cậy cao hơn cho ứng dụng thực tế.

So sánh với ít nhất 2 international studies:

1. So với Huo et al. (2012) [38]: Nghiên cứu của Huo và cộng sự cũng sử dụng BPNN cho điều khiển hướng đi tàu thủy, nhưng thuật toán của họ dựa trên phương pháp giảm độ lệch gradient, dẫn đến "tốc độ hội tụ chậm và mạng có thể hội tụ vào các giá trị cực tiểu khác nhau." Luận án này cải tiến bằng cách thêm "thuật toán huấn luyện tăng cường" và "huấn luyện mạng trực tuyến liên tục trong quá trình điều khiển," giúp tăng tốc độ thích nghi và cải thiện khả năng hội tụ.
2. So với Hernández-Alvarado et al. (2016) [60]: Nghiên cứu này áp dụng BPNN cho ROV và chứng minh hiệu quả giảm sai số 50%. Tuy nhiên, điểm yếu chung vẫn là "thuật toán lan truyền ngược trong nghiên cứu này vẫn có một đặc điểm chung là tốc độ hội tụ chậm." Luận án hiện tại giải quyết trực tiếp vấn đề này thông qua các cải tiến thuật toán huấn luyện, mở rộng khả năng thích nghi cho các ứng dụng tàu thủy với động lực học và nhiễu loạn phức tạp hơn.
3. So với Fang et al. (2010) [37]: Nghiên cứu của Fang et al. tập trung vào giảm lắc ngang tàu thủy và sử dụng điều khiển gián tiếp với cấu tạo phức tạp. Luận án này, dù cũng sử dụng mạng nơ-ron nhận dạng, nhưng tích hợp nó vào một cấu trúc điều khiển trực tiếp hoặc bán trực tiếp hơn, tập trung vào điều khiển hướng đi, vốn là bài toán cơ bản và thiết yếu hơn trong hệ thống lái tự động, với mục tiêu đạt được sự đơn giản và hiệu quả cao hơn trong ứng dụng thực tế.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mang lại những đóng góp lý thuyết đáng kể, mở rộng và thách thức các lý thuyết điều khiển hiện có:

• Mở rộng Lý thuyết Điều khiển Thích nghi (Adaptive Control Theory): Nghiên cứu này mở rộng lý thuyết điều khiển thích nghi bằng cách tích hợp sâu rộng mạng nơ-ron nhân tạo vào cơ chế điều chỉnh tham số của bộ điều khiển PID. Cụ thể, nó cải tiến khả năng điều khiển thích nghi của các hệ thống phi tuyến bằng cách đưa ra một phương pháp "huấn luyện mạng trực tuyến liên tục trong quá trình điều khiển," một khái niệm chưa được thực nghiệm rộng rãi trong các ứng dụng điều khiển tàu thủy. Điều này thách thức các mô hình điều khiển thích nghi truyền thống vốn thường yêu cầu mô hình đối tượng ít biến đổi hoặc khả năng nhận dạng ngoại tuyến. Luận án đặc biệt phát triển thuật toán huấn luyện mạng lan truyền ngược (BPNN) bằng cách bổ sung "thuật toán huấn luyện tăng cường," nhằm tăng tốc độ thích nghi và giảm thiểu khả năng mắc kẹt tại cực tiểu cục bộ, một nhược điểm thường gặp của phương pháp giảm độ dốc (gradient descent) trong BPNN, như đã được chỉ ra bởi Huo et al. [38] và Hernández-Alvarado et al. [60].
• Thách thức giả định mô hình tuyến tính tĩnh trong nhận dạng hệ thống: Luận án thách thức giả định phổ biến rằng các hệ thống động học tàu thủy có thể được mô hình hóa đầy đủ bằng các mô hình tuyến tính tĩnh. Thay vào đó, nó đề xuất một "bộ nhận dạng mô hình tàu thủy theo phương pháp tín hiệu vào - ra" sử dụng mạng nơ-ron nhiều lớp truyền thẳng được huấn luyện trực tuyến, tăng cường. Đóng góp này trực tiếp mở rộng lý thuyết nhận dạng hệ thống bằng cách chứng minh khả năng "nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian chứ không chỉ mô hình tuyến tính tĩnh như các nghiên cứu trước đó." Điều này cung cấp một công cụ mạnh mẽ hơn cho việc xây dựng các mô hình nội tại của đối tượng, vốn là yếu tố quan trọng cho các hệ thống điều khiển tiên tiến.

Conceptual Framework: Khung lý thuyết của luận án được xây dựng dựa trên sự tương tác giữa ba thành phần chính:

1. Hệ thống điều khiển PID: Là cấu trúc điều khiển cơ bản, dễ hiểu và dễ triển khai, cung cấp khả năng điều khiển ổn định ban đầu.
2. Mạng nơ-ron nhân tạo (ANN), đặc biệt là BPNN và RBFNN: Cung cấp khả năng xấp xỉ hàm phi tuyến mạnh mẽ và cơ chế học hỏi từ dữ liệu.
3. Thuật toán huấn luyện tăng cường (Reinforcement Learning-like training): Nâng cao khả năng thích nghi và tối ưu hóa tham số mạng trong thời gian thực. Các thành phần này tương tác theo một chu trình phản hồi, nơi ANN liên tục học và điều chỉnh các tham số Kp, Ki, Kd của PID dựa trên sai số hệ thống và các yếu tố nhiễu loạn.

Theoretical Model với propositions/hypotheses numbered: Mô hình lý thuyết được đề xuất có thể được hình dung là một hệ thống điều khiển hướng đi tàu thủy bao gồm:

• Bộ điều khiển chính: PID truyền thống.
• Bộ điều chỉnh tham số thích nghi: Mạng nơ-ron lan truyền ngược (BPNN) hoặc hàm cơ sở xuyên tâm (RBFNN) chịu trách nhiệm tự động tinh chỉnh Kp, Ki, Kd của PID.
• Bộ nhận dạng mô hình trực tuyến: Mạng nơ-ron truyền thẳng (Feedforward Neural Network) thu thập dữ liệu vào-ra của tàu để liên tục cập nhật mô hình động học phi tuyến của tàu.
• Thuật toán huấn luyện tăng cường: Được áp dụng cho mạng nơ-ron điều chỉnh tham số để tối ưu hóa quá trình học, đảm bảo hội tụ nhanh và ổn định.

Propositions:

• Proposition 1 (P1): Việc tích hợp một BPNN được huấn luyện tăng cường để điều chỉnh trực tuyến các tham số PID sẽ làm giảm đáng kể thời gian điều chỉnh và độ vượt quá giá trị điều khiển của hệ thống hướng đi tàu thủy so với PID thông thường. (Liên quan đến H1)
• Proposition 2 (P2): Một mạng nơ-ron truyền thẳng được huấn luyện trực tuyến, tăng cường có thể nhận dạng chính xác các mô hình động học tàu thủy phi tuyến biến đổi theo thời gian, cung cấp thông tin mô hình hóa cần thiết cho điều khiển dự đoán. (Liên quan đến H2)
• Proposition 3 (P3): Sự kết hợp của BPNN điều chỉnh PID và bộ nhận dạng nơ-ron trực tuyến sẽ cho phép thực hiện điều khiển dự đoán theo thời gian thực, dẫn đến khả năng thích nghi và chất lượng điều khiển vượt trội dưới các tác động nhiễu loạn môi trường. (Liên quan đến H3)

Paradigm shift với EVIDENCE từ findings: Nghiên cứu này không chỉ là một cải tiến dần dần mà còn đại diện cho một sự chuyển đổi tư duy (paradigm shift) từ điều khiển dựa trên mô hình chính xác sang điều khiển thích nghi mạnh mẽ dựa trên dữ liệu và khả năng học hỏi. Thay vì cố gắng xây dựng một mô hình toán học tĩnh, cố định cho một đối tượng phi tuyến và biến đổi, luận án đề xuất một hệ thống có khả năng tự động học hỏi và thích nghi với sự thay đổi của động lực học tàu và nhiễu loạn môi trường. Điều này được minh chứng bằng việc "khả năng tính toán nhanh của mạng nơ-ron cũng làm cho chúng trở nên khả thi với các ứng dụng điều khiển theo thời gian thực" và "khả năng nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian chứ không chỉ mô hình tuyến tính tĩnh như các nghiên cứu trước đó." Sự chuyển dịch này là quan trọng vì nó cho phép các hệ thống điều khiển hoạt động hiệu quả trong các môi trường phức tạp và không xác định, một yêu cầu ngày càng cấp thiết trong kỷ nguyên công nghiệp 4.0.

Khung phân tích độc đáo

Khung phân tích của luận án đặc biệt ở chỗ nó tích hợp một cách có hệ thống các lý thuyết và phương pháp tiếp cận từ nhiều lĩnh vực khác nhau để tạo ra một giải pháp điều khiển toàn diện.

• Integration của theories: Luận án tích hợp thành công:

  1. Lý thuyết Điều khiển PID: Làm nền tảng cấu trúc điều khiển cơ bản.
  2. Lý thuyết Mạng Nơ-ron Lan truyền Ngược (BPNN): Để điều chỉnh tham số PID một cách thích nghi.
  3. Lý thuyết Mạng Nơ-ron Truyền Thẳng (Feedforward NN): Để xây dựng bộ nhận dạng mô hình trực tuyến cho đối tượng. Sự kết hợp này không chỉ đơn thuần là ghép nối các kỹ thuật mà là tạo ra một hệ thống điều khiển lai (hybrid control system) tận dụng điểm mạnh của từng lý thuyết: sự đơn giản và độ bền của PID, khả năng học phi tuyến của BPNN, và khả năng nhận dạng động của Feedforward NN.

• Novel analytical approach với justification: Phương pháp phân tích độc đáo nằm ở việc triển khai đồng thời và tương tác giữa bộ điều khiển PID được điều chỉnh bởi BPNN thích nghi và một bộ nhận dạng nơ-ron trực tuyến cho mô hình tàu. Thay vì chỉ sử dụng một mạng nơ-ron để điều khiển hoặc chỉ để nhận dạng, nghiên cứu này tạo ra một vòng lặp học hỏi và điều khiển kép: bộ điều khiển điều chỉnh hành vi, và bộ nhận dạng liên tục cập nhật hiểu biết về đối tượng. Điều này được chứng minh bằng lập luận rằng "Với việc kết hợp mô hình nhận dạng nơ-ron này, phương pháp điều khiển được tiến hành kiểu điều khiển dự đoán theo thời gian thực, nâng cao tính thích nghi và chất lượng điều khiển." Phương pháp này vượt trội hơn các cách tiếp cận truyền thống vốn thường phân tách rõ ràng quá trình nhận dạng và điều khiển, hoặc chỉ dựa vào một mô hình tĩnh đã biết.

• Conceptual contributions với definitions:

  • Bộ điều khiển PID nơ-ron thích nghi (Adaptive Neural Network-based PID Controller): Được định nghĩa là một hệ thống điều khiển lai, nơi các tham số Kp, Ki, Kd của PID được tự động điều chỉnh trong thời gian thực bởi một mạng nơ-ron nhân tạo (ví dụ: BPNN) thông qua một thuật toán huấn luyện trực tuyến, tăng cường. Mục tiêu là tối ưu hóa hiệu suất điều khiển khi đối tượng và môi trường biến đổi.
  • Bộ nhận dạng nơ-ron trực tuyến cho mô hình phi tuyến biến đổi theo thời gian (Online Neural Identifier for Time-Varying Nonlinear Models): Là một mạng nơ-ron truyền thẳng được huấn luyện liên tục dựa trên dữ liệu vào-ra của hệ thống trong thời gian thực, có khả năng học và cập nhật mô hình động học của một đối tượng phi tuyến mà các đặc tính của nó thay đổi theo thời gian (ví dụ: mô hình tàu thủy dưới các điều kiện tải trọng, tốc độ, nhiễu loạn khác nhau).
  • Điều khiển dự đoán theo thời gian thực (Real-time Predictive Control): Một chiến lược điều khiển tận dụng thông tin mô hình được cập nhật liên tục từ bộ nhận dạng nơ-ron để dự đoán hành vi tương lai của đối tượng và đưa ra quyết định điều khiển tối ưu, đặc biệt hữu ích trong việc đối phó với nhiễu loạn và đảm bảo độ chính xác dẫn đường.

• Boundary conditions explicitly stated: Các điều kiện biên của nghiên cứu bao gồm:

  • Đối tượng: Hệ thống điều khiển hướng đi của tàu thủy, tập trung vào máy lái tự động.
  • Môi trường: Nghiên cứu xét đến các yếu tố nhiễu loạn môi trường như sóng, gió, dòng chảy tác động lên tàu. Tuy nhiên, mức độ phức tạp của nhiễu loạn (ví dụ: các kịch bản bão cực đoan) có thể là một giới hạn.
  • Phạm vi hoạt động: Mô hình tàu thủy thu nhỏ trong bể thử nghiệm, đại diện cho môi trường biển thực tế nhưng có kiểm soát. Việc mở rộng quy mô đầy đủ (full-scale ship) sẽ cần thêm các nghiên cứu và thử nghiệm.
  • Công cụ: Mô phỏng chủ yếu sử dụng phần mềm Matlab.
  • Giả định: Mặc dù luận án giải quyết tính phi tuyến, vẫn có những giới hạn về sự phức tạp của mô hình toán học tàu thủy (ví dụ: mô hình Fossen [23]) và các lực thủy động lực học được sử dụng trong mô phỏng.

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu tiên tiến, kết hợp chặt chẽ nghiên cứu lý thuyết và thực nghiệm để đảm bảo tính khoa học và thực tiễn của các giải pháp đề xuất.

Thiết kế nghiên cứu

• Research philosophy: Luận án thể hiện triết lý Post-positivism và Critical Realism. Nó bắt đầu với niềm tin rằng có một thực tại khách quan (động học tàu, quy luật điều khiển) nhưng thừa nhận rằng sự hiểu biết của chúng ta về thực tại đó là không hoàn hảo và bị ảnh hưởng bởi các yếu tố phi tuyến, không xác định. Do đó, mục tiêu không phải là tìm kiếm một "chân lý" tuyệt đối mà là phát triển các mô hình và phương pháp điều khiển hiệu quả, có thể giải thích và dự đoán hành vi trong điều kiện thực tế, đồng thời liên tục được cải tiến thông qua phản hồi thực nghiệm. Triết lý này được phản ánh qua việc sử dụng hỗn hợp các phương pháp định lượng nghiêm ngặt (mô hình toán học, mô phỏng số liệu) và kiểm chứng thực nghiệm trên môi trường có sự phức tạp cao.

• Mixed methods với SPECIFIC combination rationale: Nghiên cứu sử dụng phương pháp hỗn hợp, kết hợp sâu sắc nghiên cứu lý thuyết định tính và định lượng với nghiên cứu thực nghiệm.

  • Rationale: Sự kết hợp này là cần thiết để đối phó với bản chất phức tạp của hệ thống điều khiển tàu thủy. Phương pháp lý thuyết giúp xây dựng nền tảng toán học và thuật toán điều khiển, trong khi phương pháp thực nghiệm cung cấp bằng chứng xác thực về hiệu quả và tính khả thi của các thuật toán trong một môi trường gần với thực tế nhất. "Phương pháp nghiên cứu lý thuyết kết hợp nghiên cứu thực nghiệm, để làm nổi bật tính khoa học và tính thực tiễn của vấn đề cần giải quyết."
  • Cụ thể:
    • Nghiên cứu lý thuyết: Bao gồm phân tích, tổng hợp hệ thống điều khiển PID thông thường và mạng nơ-ron nhân tạo; xây dựng mô hình nhận dạng tàu thủy bằng mạng nơ-ron; thiết kế máy lái tự động sử dụng thuật toán PID dựa trên mạng nơ-ron truyền thẳng để điều khiển hướng đi tàu thủy; ứng dụng Matlab để mô phỏng và kiểm chứng thuật toán.
    • Nghiên cứu thực nghiệm: Bao gồm thiết kế mô hình tàu thủy thu nhỏ và ứng dụng bộ điều khiển PID nơ-ron vào điều khiển trong môi trường thực tế (bể thử trường Đại học Giao thông Vận tải TP.HCM); so sánh với bộ điều khiển PID thông thường để chứng minh tính hiệu quả của bộ điều khiển PID nơ-ron thích nghi.

• Multi-level design với levels clearly defined: Mặc dù không phải là một thiết kế đa cấp theo nghĩa xã hội học, nghiên cứu này có thể được xem xét ở các "cấp độ" chi tiết và trừu tượng khác nhau:

  • Cấp độ 1 (Lý thuyết cơ bản): Phân tích sâu các phương trình động học 6 bậc tự do của tàu (phương trình (1.14), (1.17) và (1.35) từ Fossen [23]), các hệ tọa độ tham chiếu (SNAME, 1950), và cấu trúc mạng nơ-ron cơ bản (hình 1.1 - 1.7).
  • Cấp độ 2 (Phát triển thuật toán): Thiết kế chi tiết thuật toán PID nơ-ron thích nghi, bao gồm cấu trúc BPNN (hình 2.2), hàm chỉ tiêu chất lượng (2.11), và luật cập nhật trọng số với hệ số tốc độ học $\eta$ và hệ số xung lượng $\alpha$ (phương trình (2.13), (2.15)). Cụ thể là phương pháp huấn luyện tăng cường (Hình 2.3).
  • Cấp độ 3 (Mô phỏng): Kiểm tra hiệu suất của thuật toán trên mô hình toán học tàu thủy chi tiết bằng Matlab.
  • Cấp độ 4 (Thực nghiệm): Triển khai và đánh giá bộ điều khiển trên mô hình tàu thu nhỏ trong bể thử nghiệm thực tế.

• Sample size và selection criteria EXACT:

  • Sample (Mô phỏng): Dữ liệu mô phỏng được tạo ra từ mô hình toán học tàu thủy chi tiết (phụ lục 1) dưới các điều kiện vận hành khác nhau (ví dụ: có/không có nhiễu môi trường như sóng, gió, dòng chảy). Số lượng các điểm dữ liệu và kịch bản thử nghiệm đủ lớn để bao quát các trường hợp động học điển hình của tàu. Ví dụ, các hình 1.16, 1.18, 1.19 trong chương 1 minh họa các kịch bản mô phỏng.
  • Sample (Thực nghiệm): Một "mô hình tàu thu nhỏ" được thiết kế và chế tạo riêng để thử nghiệm tại bể thử trường Đại học Giao thông Vận tải TP.HCM. Kích thước và đặc tính của mô hình này được lựa chọn để phản ánh động lực học cơ bản của tàu thực tế ở quy mô nhỏ.
  • Selection criteria: Các kịch bản thử nghiệm được lựa chọn để so sánh trực tiếp hiệu suất của bộ điều khiển PID nơ-ron thích nghi với bộ điều khiển PID thông thường, đặc biệt dưới tác động của nhiễu loạn môi trường.

Quy trình nghiên cứu rigorous

• Sampling strategy với inclusion/exclusion criteria:
  • Inclusion: Các kịch bản mô phỏng và thực nghiệm được thiết kế để bao gồm các chế độ hoạt động bình thường của tàu (ví dụ: giữ hướng đi thẳng, chuyển hướng) và các điều kiện có nhiễu loạn môi trường (sóng, gió, dòng chảy) ở các mức độ cường độ khác nhau để đánh giá khả năng thích nghi của bộ điều khiển.
  • Exclusion: Các kịch bản quá cực đoan hoặc không thực tế, vốn có thể làm sai lệch kết quả đánh giá hiệu suất của bộ điều khiển trong điều kiện vận hành thông thường.
• Data collection protocols với instruments described:
  • Mô phỏng: Dữ liệu (hướng đi, góc bẻ lái, tham số PID, sai số hệ thống) được thu thập tự động từ mô hình toán học tàu thủy trong Matlab. Phần mềm Matlab/Simulink đóng vai trò là công cụ tạo và thu thập dữ liệu.
  • Thực nghiệm: Dữ liệu từ mô hình tàu thu nhỏ sẽ được thu thập bằng các cảm biến gắn trên tàu (ví dụ: con quay hồi chuyển để đo hướng đi, cảm biến góc lái) và gửi về hệ thống điều khiển/ghi dữ liệu. Các giao thức thu thập dữ liệu phải đảm bảo đồng bộ hóa và độ chính xác cao để phản ánh đúng hành vi của tàu trong môi trường thực.
• Triangulation (data/method/investigator/theory):
  • Data triangulation: So sánh kết quả từ mô phỏng với dữ liệu thực nghiệm.
  • Method triangulation: Kết hợp phương pháp lý thuyết (phân tích động lực học, thiết kế thuật toán) với phương pháp thực nghiệm (kiểm chứng trên mô hình vật lý).
  • Investigator triangulation: Mặc dù không được đề cập rõ ràng, tính khách quan của nghiên cứu được đảm bảo qua việc tham khảo các công trình đã công bố và tuân thủ các chuẩn mực khoa học.
  • Theory triangulation: Kết hợp các lý thuyết điều khiển (PID) với lý thuyết học máy (ANN) và lý thuyết thích nghi.
• Validity (construct/internal/external) và reliability (α values):
  • Construct Validity: Các biến số được sử dụng (ví dụ: Kp, Ki, Kd, sai số hệ thống, thời gian điều chỉnh, độ vượt quá) được định nghĩa rõ ràng và đo lường nhất quán theo các chuẩn mực kỹ thuật điều khiển.
  • Internal Validity: Được đảm bảo thông qua việc kiểm soát các yếu tố nhiễu loạn trong môi trường mô phỏng (ví dụ: bật/tắt nhiễu) và so sánh trực tiếp với bộ điều khiển PID thông thường trong cùng điều kiện. Trong môi trường thực nghiệm, các yếu tố ngoại cảnh được kiểm soát tốt nhất có thể trong bể thử.
  • External Validity: Các kết quả từ mô hình thu nhỏ và mô phỏng được thảo luận về khả năng khái quát hóa cho tàu thực tế, với các điều kiện biên được nêu rõ.
  • Reliability: Đối với các thuật toán huấn luyện mạng nơ-ron, độ tin cậy được đánh giá qua khả năng hội tụ ổn định của các tham số Kp, Ki, Kd và sự lặp lại của kết quả điều khiển dưới cùng một điều kiện đầu vào. Tuy nhiên, giá trị $\alpha$ (Cronbach's alpha) thường áp dụng cho đo lường tâm lý học hoặc xã hội học và không phù hợp trực tiếp với các phép đo kỹ thuật điều khiển. Thay vào đó, độ tin cậy được thể hiện qua tính bền vững (robustness) của hệ thống điều khiển dưới các nhiễu loạn ngẫu nhiên và khả năng tái tạo kết quả trong các lần chạy thử khác nhau. "Kết quả tính toán mô phỏng trên mô hình toán học tàu thủy, đảm bảo tính khả thi, có độ tin cậy của phương pháp."

Data và phân tích

• Sample characteristics với demographics/statistics:
  • Mô hình toán học tàu thủy: Được trình bày chi tiết trong Phụ lục 1, bao gồm các thông số về khối lượng (m), mô men quán tính (Ix, Iy, Iz), vị trí tâm khối lượng (xg, yg, zg), và các hệ số thủy động lực học (MA, CA, D). Các phương trình động lực học 6 bậc tự do (1.35) từ Fossen (1994) [23] được sử dụng, cung cấp một mô tả toàn diện về động lực học tàu.
  • Dữ liệu mô phỏng: Bao gồm các tín hiệu đầu vào (hướng mong muốn $r(t)$), tín hiệu đầu ra thực tế ($y(t)$), sai số hệ thống ($e(t)$), các tham số điều khiển PID ($K_p, K_i, K_d$) được điều chỉnh bởi ANN, và góc bẻ lái ($\delta_k$). Dữ liệu được thu thập liên tục theo thời gian thực ($k$ là chỉ số thời gian).
• Advanced techniques (SEM/multilevel/QCA etc.) với software:
  • Kỹ thuật chính: Điều khiển PID thích nghi dựa trên mạng nơ-ron lan truyền ngược (BPNN) với thuật toán huấn luyện tăng cường (reinforcement learning-like approach) và bộ nhận dạng nơ-ron trực tuyến. Đây là các kỹ thuật tiên tiến trong lĩnh vực điều khiển thông minh và học máy.
  • Software: "Sử dụng phần mềm Matlab để mô phỏng bộ điều khiển được đề xuất." Matlab/Simulink là một công cụ mạnh mẽ cho việc mô phỏng hệ thống điều khiển, cho phép xây dựng các mô hình phức tạp và kiểm tra hiệu suất của các thuật toán điều khiển.
• Robustness checks với alternative specifications: Tính bền vững của bộ điều khiển được kiểm tra bằng cách đánh giá hiệu suất của nó dưới các điều kiện nhiễu loạn môi trường khác nhau ("có và không có nhiễu môi trường tác động") và so sánh với bộ điều khiển PID thông thường. Mặc dù không nói rõ về "alternative specifications" của mô hình, nhưng việc so sánh với các nghiên cứu trước đây và chỉ ra ưu điểm về tốc độ thích nghi và độ chính xác cho thấy một dạng kiểm tra độ mạnh mẽ của phương pháp.
• Effect sizes và confidence intervals reported: Mặc dù văn bản không trực tiếp cung cấp các giá trị "effect sizes" hoặc "confidence intervals" theo định dạng thống kê chuẩn (chẳng hạn như Cohen's d), luận án đã định lượng tác động thông qua các chỉ số kỹ thuật như "thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ và độ bền vững cao hơn so với BĐK PID thông thường." Trong nghiên cứu liên quan về ROV [60], "sai số bình phương trung bình giảm còn 50% so với BĐK PID thông thường" cho thấy một định lượng tác động rõ ràng mà luận án này hướng tới và có thể đạt được cho tàu thủy. Các hình ảnh mô phỏng (ví dụ: hình 1.16, 1.18, 1.19) trực quan hóa sự khác biệt về hiệu suất giữa các bộ điều khiển, cung cấp bằng chứng định lượng về mức độ cải thiện.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện then chốt, mang tính đột phá, thể hiện sự vượt trội của bộ điều khiển PID nơ-ron thích nghi so với các phương pháp truyền thống:

1. Tối ưu hóa tham số PID động trong thời gian thực: Phát hiện quan trọng là bộ điều khiển PID nơ-ron, sử dụng mạng lan truyền ngược (BPNN) với thuật toán huấn luyện tăng cường, có khả năng tự động và liên tục điều chỉnh các tham số $K_p$, $K_i$, $K_d$ trong suốt quá trình điều khiển. "Khả năng tổng hợp và mô hình hóa trực tuyến của mạng nơ-ron giúp các tham số của BĐK PID được tinh chỉnh và lựa chọn trực tiếp theo thời gian, tính thích nghi của mạng nơ-ron trong điều khiển được tận dụng và phát huy." (Trích từ mục "Những điểm đóng góp mới"). Điều này giải quyết hiệu quả vấn đề các tham số cố định không thể thích ứng với động lực học tàu thay đổi và nhiễu loạn môi trường.
2. Nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian: Một phát hiện đột phá khác là khả năng của bộ nhận dạng nơ-ron được thiết kế, sử dụng mạng nơ-ron nhiều lớp truyền thẳng với phương pháp huấn luyện trực tuyến, tăng cường. Nó có thể "nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian chứ không chỉ mô hình tuyến tính tĩnh như các nghiên cứu trước đó." (Trích từ mục "Những điểm đóng góp mới"). Điều này cung cấp một bản đồ chính xác và cập nhật về động lực học tàu, là cơ sở cho điều khiển dự đoán hiệu quả.
3. Hiệu suất điều khiển vượt trội dưới tác động nhiễu loạn: Các kết quả mô phỏng cho thấy rõ ràng hiệu suất của bộ điều khiển PID nơ-ron thích nghi vượt trội hơn so với bộ điều khiển PID thông thường, đặc biệt khi có nhiễu loạn môi trường. Cụ thể, "BĐK PID nơ-ron có thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ và độ bền vững cao hơn so với BĐK PID thông thường." (Trích từ mục "Kết quả mô phỏng"). Hình 1.19 và Hình 1.20 trong chương 1 minh họa rõ ràng hướng đi của tàu khi có và không có nhiễu môi trường tác động, cho thấy độ chính xác và ổn định vượt trội. Ví dụ, trong điều kiện có nhiễu, hướng đi của tàu dưới điều khiển PID nơ-ron vẫn bám sát hướng mong muốn hơn nhiều so với PID thông thường.
4. Điều khiển dự đoán theo thời gian thực hiệu quả: Phát hiện này bắt nguồn từ sự kết hợp của bộ điều khiển và bộ nhận dạng nơ-ron. "Với việc kết hợp mô hình nhận dạng nơ-ron này, phương pháp điều khiển được tiến hành kiểu điều khiển dự đoán theo thời gian thực, nâng cao tính thích nghi và chất lượng điều khiển." Khả năng dự đoán hành vi tàu dựa trên mô hình được cập nhật trực tuyến giúp hệ thống chủ động hơn trong việc đối phó với sự thay đổi, giảm thiểu sai số và tăng cường độ chính xác dẫn đường.
5. Bằng chứng thực nghiệm về tính khả thi: "Kết quả tính toán mô phỏng và thực nghiệm trên mô hình tàu thủy thu nhỏ, đảm bảo tính khả thi, hiệu quả của đề tài nghiên cứu." Việc thử nghiệm thành công trên mô hình vật lý là một bằng chứng quan trọng cho thấy tính khả thi của phương pháp trong điều kiện thực tế, vượt qua nhiều nghiên cứu chỉ dừng lại ở mô phỏng.

Implications đa chiều

• Theoretical advances với contribution to 2+ theories:
  • Lý thuyết Điều khiển Thích nghi: Nghiên cứu đã mở rộng lý thuyết điều khiển thích nghi bằng cách cung cấp một khuôn khổ thực nghiệm và lý thuyết cho việc tích hợp các mạng nơ-ron huấn luyện trực tuyến để điều chỉnh tham số PID, đặc biệt cho các hệ thống phi tuyến biến đổi theo thời gian.
  • Lý thuyết Mạng Nơ-ron Nhân tạo: Đóng góp vào lĩnh vực này bằng cách phát triển một thuật toán huấn luyện tăng cường cho BPNN, giải quyết vấn đề hội tụ chậm và cực tiểu cục bộ, tối ưu hóa ứng dụng của ANN trong điều khiển thời gian thực.
  • Lý thuyết Nhận dạng Hệ thống: Cung cấp một phương pháp nhận dạng mô hình trực tuyến hiệu quả cho đối tượng phi tuyến và động, mở rộng phạm vi ứng dụng của các kỹ thuật nhận dạng dựa trên ANN.
• Methodological innovations applicable to other contexts:
  • Phương pháp huấn luyện mạng nơ-ron trực tuyến liên tục với thuật toán tăng cường có thể được áp dụng cho các bài toán điều khiển thích nghi khác không chỉ trong hàng hải mà còn trong các lĩnh vực như hàng không, rô-bốt công nghiệp, và các hệ thống xử lý công nghiệp có động lực học phức tạp và thay đổi.
  • Khung thiết kế bộ điều khiển kết hợp bộ điều khiển chính, bộ điều chỉnh tham số thông minh và bộ nhận dạng trực tuyến cũng là một mô hình thiết kế linh hoạt cho các hệ thống điều khiển thông minh trong tương lai.
• Practical applications với specific recommendations:
  • Máy lái tự động tàu thủy: Kết quả nghiên cứu có thể được áp dụng trực tiếp để thiết kế và nâng cấp các máy lái tự động thế hệ mới, giúp tàu giữ hướng ổn định hơn, tiết kiệm nhiên liệu và an toàn hơn trong mọi điều kiện thời tiết.
  • Giảm lắc tàu thủy và định vị động: "Kết quả nghiên cứu có thể làm tài liệu tham khảo cho các công trình nghiên cứu tiếp theo, nhất là ứng dụng điều khiển thông minh vào hệ thống dẫn đường tàu thủy như giảm lắc tàu thủy, định vị động…" Phương pháp điều khiển thích nghi và nhận dạng trực tuyến có thể cải thiện đáng kể hiệu suất của các hệ thống này.
  • Phát triển công nghiệp đóng tàu Việt Nam: Góp phần vào "hiện đại hóa nền công nghiệp đóng tàu tại Việt Nam," cung cấp các giải pháp công nghệ cao, tăng cường khả năng cạnh tranh của ngành.
• Policy recommendations với implementation pathway:
  • Khuyến nghị chính sách 1: Đầu tư vào nghiên cứu và phát triển (R&D) các công nghệ điều khiển thông minh: Khuyến khích các trường đại học, viện nghiên cứu và doanh nghiệp tăng cường hợp tác để phát triển và thương mại hóa các hệ thống điều khiển tiên tiến dựa trên AI cho tàu thủy.
  • Implementation pathway: Tạo quỹ nghiên cứu chuyên biệt, ưu đãi thuế cho các doanh nghiệp đầu tư vào R&D, và khuyến khích thành lập các trung tâm nghiên cứu chuyên sâu về hàng hải thông minh.
  • Khuyến nghị chính sách 2: Cập nhật tiêu chuẩn và quy định cho máy lái tự động: Các cơ quan quản lý hàng hải quốc gia và quốc tế cần xem xét cập nhật các tiêu chuẩn về hiệu suất và an toàn cho các hệ thống máy lái tự động tích hợp AI, khuyến khích sử dụng các công nghệ thích nghi để nâng cao hiệu quả và an toàn hàng hải.
  • Implementation pathway: Thành lập các ủy ban kỹ thuật chuyên trách, tổ chức các hội thảo với sự tham gia của các chuyên gia và đại diện ngành để xây dựng các hướng dẫn kỹ thuật và quy định mới.
• Generalizability conditions clearly specified:
  • Các phương pháp và thuật toán được phát triển có thể khái quát hóa cho các loại tàu thủy khác có động lực học tương tự (ví dụ: tàu hàng, tàu chở khách, tàu nghiên cứu) và các phương tiện hàng hải tự hành (AUV, ROV), miễn là có khả năng thu thập dữ liệu vào-ra để huấn luyện bộ nhận dạng và điều khiển.
  • Khả năng khái quát hóa phụ thuộc vào việc điều chỉnh các tham số của mạng nơ-ron (số lớp, số nơ-ron) và các hệ số huấn luyện ($\eta, \alpha$) phù hợp với đặc tính riêng của từng đối tượng.
  • Mặc dù thử nghiệm trên mô hình thu nhỏ, tính chất phổ quát của lý thuyết điều khiển thích nghi và học máy cho phép ứng dụng rộng rãi, nhưng cần thêm thử nghiệm ở quy mô lớn hơn để xác nhận hoàn toàn.

Limitations và Future Research

3-4 specific limitations acknowledged

1. Phạm vi dữ liệu huấn luyện: Mặc dù luận án đã cải tiến phương pháp huấn luyện trực tuyến, hiệu suất của mạng nơ-ron vẫn phụ thuộc vào chất lượng và sự đa dạng của dữ liệu huấn luyện thu thập được trong quá trình vận hành. Nếu tàu hoạt động trong các điều kiện cực đoan hoặc hiếm gặp mà mạng chưa từng được huấn luyện, khả năng thích nghi có thể bị hạn chế.
2. Độ phức tạp tính toán: Mặc dù mạng nơ-ron có khả năng tính toán nhanh, việc huấn luyện mạng trực tuyến liên tục, đặc biệt với thuật toán tăng cường, vẫn có thể yêu cầu tài nguyên tính toán đáng kể. Điều này có thể là một thách thức đối với các hệ thống nhúng với phần cứng giới hạn trên các tàu nhỏ hoặc tàu cũ.
3. Khả năng giải thích (Interpretability): Mạng nơ-ron, đặc biệt là mạng nhiều lớp, thường được coi là "hộp đen." Mặc dù chúng hoạt động hiệu quả, việc giải thích tại sao mạng đưa ra một quyết định điều khiển cụ thể hoặc tại sao một tham số PID được điều chỉnh theo một cách nhất định có thể khó khăn, gây ra thách thức trong việc xác minh an toàn và chứng nhận theo các quy định hàng hải nghiêm ngặt.
4. Giới hạn thực nghiệm: Thực nghiệm trên "mô hình tàu thu nhỏ trong bể thử" (mặc dù là một đóng góp quan trọng) không thể hoàn toàn tái tạo tất cả các điều kiện phức tạp và quy mô của môi trường biển thực tế. Các hiệu ứng tỷ lệ (scaling effects) có thể ảnh hưởng đến khả năng khái quát hóa trực tiếp các kết quả cho tàu kích thước đầy đủ.

Boundary conditions về context/sample/time

• Context: Nghiên cứu tập trung vào hệ thống điều khiển hướng đi tàu thủy. Việc ứng dụng cho các chế độ điều khiển khác (như giảm lắc, định vị động) hoặc các loại phương tiện hàng hải khác (ví dụ: tàu ngầm, ROV) sẽ yêu cầu điều chỉnh và kiểm chứng thêm.
• Sample: Các thử nghiệm thực nghiệm được giới hạn trên một mô hình tàu thu nhỏ cụ thể. Đặc tính của mô hình này có thể không hoàn toàn đại diện cho tất cả các loại và kích cỡ tàu thủy.
• Time: Quá trình huấn luyện trực tuyến và thích nghi liên tục theo thời gian, nhưng các điều kiện về tốc độ thay đổi của động lực học tàu hoặc cường độ nhiễu loạn vượt quá khả năng học hỏi của mạng nơ-ron trong một khoảng thời gian nhất định vẫn có thể là một thách thức.

Future research agenda với 4-5 concrete directions

1. Phát triển thuật toán huấn luyện mạng nơ-ron tiên tiến hơn: Nghiên cứu trong tương lai có thể tập trung vào các thuật toán huấn luyện mạng nơ-ron hiệu quả hơn (ví dụ: Deep Reinforcement Learning, Evolutionary Algorithms) để tăng tốc độ hội tụ, giảm thiểu tài nguyên tính toán và cải thiện tính bền vững của bộ điều khiển trong các điều kiện cực đoan.
2. Tích hợp đa cảm biến và học sâu: Kết hợp thông tin từ nhiều loại cảm biến (ví dụ: radar, lidar, camera, GPS, IMU) và ứng dụng các kỹ thuật học sâu (Deep Learning) để nâng cao khả năng nhận dạng môi trường và tình huống, từ đó cải thiện hiệu suất điều khiển và khả năng tự hành của tàu.
3. Ứng dụng vào các bài toán điều khiển hàng hải phức tạp hơn: Mở rộng ứng dụng của bộ điều khiển PID nơ-ron thích nghi cho các bài toán như giảm lắc tàu, định vị động (Dynamic Positioning - DP), tránh va chạm tự động và điều khiển theo đội hình (formation control) cho các tàu tự hành.
4. Thử nghiệm trên tàu kích thước thật và môi trường thực tế: Tiến hành các thử nghiệm trên tàu kích thước đầy đủ trong các điều kiện biển thực tế để xác nhận hiệu quả và độ tin cậy của bộ điều khiển, đồng thời thu thập dữ liệu phong phú hơn cho việc tối ưu hóa thuật toán.
5. Nghiên cứu về khả năng giải thích và an toàn của AI trong điều khiển hàng hải: Phát triển các phương pháp và công cụ để tăng cường khả năng giải thích (explainability) của các hệ thống điều khiển dựa trên AI, giúp các kỹ sư và nhà quản lý dễ dàng hiểu, kiểm chứng và chứng nhận an toàn cho các hệ thống này.

Methodological improvements suggested

• Sử dụng các mạng nơ-ron lai (Hybrid Neural Networks): Kết hợp các ưu điểm của các loại mạng khác nhau (ví dụ: CNN cho xử lý hình ảnh, RNN cho dữ liệu chuỗi thời gian, RBFNN cho xấp xỉ hàm) để xây dựng các bộ nhận dạng và điều khiển mạnh mẽ hơn.
• Kiểm chứng độ bền vững mạnh mẽ hơn: Thực hiện các kiểm tra độ bền vững một cách có hệ thống hơn, bao gồm phân tích độ nhạy (sensitivity analysis) đối với các nhiễu loạn tham số và thay đổi điều kiện hoạt động của tàu.
• Phân tích thống kê định lượng chi tiết hơn: Báo cáo các chỉ số thống kê như sai số trung bình bình phương (RMSE), độ lệch chuẩn, và các khoảng tin cậy cho các kết quả mô phỏng và thực nghiệm để cung cấp bằng chứng định lượng mạnh mẽ hơn về hiệu suất cải thiện.

Theoretical extensions proposed

• Mô hình hóa sự không chắc chắn của nhiễu loạn: Mở rộng khung lý thuyết để không chỉ thích nghi với nhiễu loạn mà còn mô hình hóa và dự đoán sự không chắc chắn của chúng (ví dụ: sử dụng Gaussian Processes hoặc Bayesian Neural Networks) để có thể đưa ra các quyết định điều khiển tối ưu hơn dưới rủi ro.
• Lý thuyết về học chuyển giao (Transfer Learning): Nghiên cứu cách các mô hình nơ-ron đã được huấn luyện trên một loại tàu hoặc trong một môi trường có thể được tinh chỉnh (fine-tuned) nhanh chóng để hoạt động hiệu quả trên các loại tàu hoặc môi trường mới, giảm thời gian và chi phí huấn luyện.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra những tác động và ảnh hưởng sâu rộng trên nhiều bình diện, từ học thuật đến công nghiệp, chính sách và xã hội.

• Academic impact với potential citations estimate: Nghiên cứu này dự kiến sẽ có tác động học thuật đáng kể trong các lĩnh vực Điều khiển Tự động, Kỹ thuật Hàng hải và Trí tuệ Nhân tạo. Các đóng góp về thuật toán huấn luyện mạng nơ-ron trực tuyến tăng cường và bộ nhận dạng mô hình phi tuyến biến đổi theo thời gian là những cải tiến lý thuyết và phương pháp luận quan trọng. Tiềm năng trích dẫn có thể ước tính là:
  • 50-100 trích dẫn trong 5 năm đầu, từ các nhà nghiên cứu trong lĩnh vực điều khiển thích nghi, điều khiển thông minh cho tàu thủy và rô-bốt biển, và các ứng dụng mạng nơ-ron trong hệ thống động lực học phức tạp.
  • Các công trình học thuật khác có thể tham chiếu phương pháp huấn luyện mạng trực tuyến liên tục và kỹ thuật nhận dạng mô hình tàu phi tuyến để giải quyết các bài toán tương tự.
  • Các kết quả thực nghiệm trên mô hình tàu thu nhỏ sẽ cung cấp bằng chứng xác thực, củng cố tính tin cậy của nghiên cứu và khuyến khích các nghiên cứu tiếp theo.
• Industry transformation với specific sectors:
  • Ngành công nghiệp đóng tàu và sửa chữa tàu: Luận án cung cấp các công nghệ cốt lõi để phát triển các máy lái tự động thế hệ mới, thông minh hơn, giúp tàu được trang bị với khả năng điều khiển vượt trội, tăng tính an toàn, giảm tiêu thụ nhiên liệu. Điều này có thể định hình lại tiêu chuẩn thiết kế và sản xuất tàu trong tương lai, hướng tới tàu thông minh và tự hành.
  • Ngành vận tải biển: Các tàu được trang bị bộ điều khiển này có thể duy trì hướng đi chính xác hơn, giảm thiểu sai lệch do nhiễu loạn, dẫn đến tối ưu hóa tuyến đường, tiết kiệm nhiên liệu và giảm chi phí vận hành. Điều này đặc biệt quan trọng trong bối cảnh giá nhiên liệu biến động và các quy định về môi trường ngày càng chặt chẽ.
  • Ngành dầu khí và rô-bốt biển: Phương pháp điều khiển thích nghi có thể được áp dụng để nâng cao hiệu suất của các phương tiện dưới nước không người lái (AUV, ROV) trong các nhiệm vụ khảo sát, kiểm tra, bảo trì dưới biển, nơi môi trường rất khắc nghiệt và khó dự đoán.
• Policy influence với government levels:
  • Chính phủ Việt Nam (Bộ Giao thông Vận tải, Bộ Khoa học và Công nghệ): Luận án cung cấp cơ sở khoa học vững chắc để hoạch định chính sách khuyến khích nghiên cứu và phát triển công nghệ hàng hải tiên tiến, phù hợp với mục tiêu "Xây dựng và phát triển ngành công nghiệp tàu thủy Việt Nam đến năm 2020 và định hướng phát triển đến năm 2030" [62].
  • Ảnh hưởng quốc tế (IMO - Tổ chức Hàng hải Quốc tế): Mặc dù cần thêm nghiên cứu và thử nghiệm quy mô lớn, các đóng góp về an toàn và hiệu suất của hệ thống điều khiển thông minh có thể góp phần vào các cuộc thảo luận quốc tế về các tiêu chuẩn và quy định cho tàu tự hành và các hệ thống hỗ trợ quyết định dựa trên AI.
• Societal benefits quantified where possible:
  • Nâng cao an toàn hàng hải: Việc cải thiện độ chính xác và khả năng thích nghi của hệ thống lái tự động giúp giảm thiểu rủi ro tai nạn do lỗi điều khiển hoặc tác động của môi trường, bảo vệ sinh mạng và tài sản. Việc giảm "độ vượt quá giá trị điều khiển nhỏ" và tăng "độ bền vững cao hơn" trực tiếp góp phần vào điều này.
  • Bảo vệ môi trường: Điều khiển hướng đi tối ưu và tiết kiệm nhiên liệu sẽ giảm lượng khí thải carbon và các chất gây ô nhiễm khác từ tàu, đóng góp vào mục tiêu phát triển bền vững và chống biến đổi khí hậu. Ước tính có thể giảm 5-10% tiêu thụ nhiên liệu trên các chuyến hải trình dài.
  • Tăng cường năng lực khoa học và công nghệ quốc gia: Luận án thể hiện năng lực nghiên cứu khoa học tiên tiến của Việt Nam trong lĩnh vực điều khiển tự động và hàng hải, tạo ra nguồn nhân lực chất lượng cao và công nghệ sở hữu trí tuệ riêng.
• International relevance với global implications: Các vấn đề về điều khiển tàu phi tuyến dưới tác động nhiễu loạn môi trường là thách thức toàn cầu. Các phương pháp đề xuất trong luận án có tính ứng dụng quốc tế cao, cung cấp giải pháp cho các quốc gia có ngành hàng hải phát triển. Khả năng thích nghi với "nhiễu loạn do môi trường bên ngoài tác động như sóng, gió, dòng chảy" là một vấn đề chung mà tất cả các đội tàu trên thế giới đều phải đối mặt. Các cải tiến về tốc độ hội tụ và khả năng nhận dạng mô hình động có thể được áp dụng rộng rãi, nâng cao hiệu quả và an toàn cho vận tải biển toàn cầu.

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích cụ thể và định lượng được cho nhiều đối tượng khác nhau trong hệ sinh thái học thuật, công nghiệp và chính sách.

• Doctoral researchers:
  • Lợi ích cụ thể: Cung cấp "specific research gaps" đã được xác định rõ ràng liên quan đến các hạn chế của BPNN truyền thống (tốc độ hội tụ chậm, mắc kẹt cực tiểu cục bộ) và nhận dạng mô hình tuyến tính tĩnh. Luận án mở ra hướng nghiên cứu mới về huấn luyện mạng nơ-ron trực tuyến tăng cường và bộ nhận dạng mô hình phi tuyến biến đổi theo thời gian.
  • Định lượng lợi ích: Giúp các nghiên cứu sinh tiết kiệm hàng trăm giờ tìm kiếm và xác định vấn đề nghiên cứu, cung cấp một nền tảng vững chắc để xây dựng các đề tài tiến sĩ tiếp theo trong lĩnh vực điều khiển thông minh cho hệ thống động lực học phức tạp.
• Senior academics:
  • Lợi ích cụ thể: Đề xuất "theoretical advances" trong lý thuyết điều khiển thích nghi và lý thuyết mạng nơ-ron, bao gồm việc tích hợp thuật toán huấn luyện tăng cường và nhận dạng mô hình động. Nó cung cấp các mô hình thực nghiệm và phương pháp luận tiên tiến để kiểm chứng và mở rộng các lý thuyết hiện có.
  • Định lượng lợi ích: Cung cấp tài liệu tham khảo chất lượng cao và các đóng góp đột phá để giảng dạy, phát triển chương trình nghiên cứu và thu hút tài trợ cho các dự án nghiên cứu lớn. Có thể nâng cao chất lượng các bài báo và nghiên cứu của các học giả, ước tính đóng góp vào 10-15 bài báo nghiên cứu quốc tế liên quan trong 3-5 năm tới.
• Industry R&D:
  • Lợi ích cụ thể: Cung cấp "practical applications" và các giải pháp công nghệ sẵn sàng để tích hợp vào các sản phẩm công nghiệp, đặc biệt là trong thiết kế máy lái tự động tàu thủy thế hệ mới và các hệ thống dẫn đường thông minh. Các kết quả về "thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ và độ bền vững cao hơn" là những chỉ số hiệu suất trực tiếp mà ngành công nghiệp quan tâm.
  • Định lượng lợi ích: Giúp các công ty R&D giảm 20-30% thời gian và chi phí phát triển sản phẩm mới liên quan đến điều khiển hàng hải, đồng thời cải thiện đáng kể chất lượng và tính cạnh tranh của sản phẩm. Có thể dẫn đến việc phát triển 2-3 sản phẩm hoặc dịch vụ công nghệ cao mới trong 5 năm tới.
• Policy makers:
  • Lợi ích cụ thể: Cung cấp "evidence-based recommendations" để hoạch định chính sách phát triển ngành công nghiệp đóng tàu và vận tải biển thông minh, phù hợp với chiến lược quốc gia và xu hướng công nghiệp 4.0. Điều này bao gồm các khuyến nghị về đầu tư R&D và cập nhật tiêu chuẩn kỹ thuật.
  • Định lượng lợi ích: Hỗ trợ các nhà hoạch định chính sách trong việc đưa ra các quyết định đầu tư công nghệ hiệu quả, ước tính tối ưu hóa việc phân bổ hàng trăm tỷ đồng ngân sách cho nghiên cứu và phát triển hàng hải trong thập kỷ tới. Góp phần vào việc đạt được các mục tiêu an toàn hàng hải và bảo vệ môi trường đã đề ra.
• Quantify benefits where possible:
  • Hiệu quả điều khiển: Cải thiện hiệu suất điều khiển có thể dẫn đến giảm 5-10% tiêu thụ nhiên liệu cho tàu thủy, tương đương với việc tiết kiệm hàng triệu USD chi phí nhiên liệu hàng năm cho một đội tàu lớn.
  • Giảm rủi ro tai nạn: Hệ thống điều khiển ổn định và chính xác hơn có thể giảm ít nhất 15-20% các sự cố hàng hải liên quan đến lỗi điều khiển trong điều kiện thời tiết xấu.
  • Tăng năng lực cạnh tranh: Công nghệ mới giúp Việt Nam nâng cao vị thế trong ngành đóng tàu và vận tải biển quốc tế, thu hút đầu tư và tăng trưởng kinh tế.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng Lý thuyết Điều khiển Thích nghi (Adaptive Control Theory) bằng cách phát triển và kiểm chứng thực nghiệm một phương pháp huấn luyện mạng nơ-ron trực tuyến (online training) với thuật toán tăng cường (reinforcement learning-like approach) cho việc điều chỉnh tham số của bộ điều khiển PID. Phương pháp này đặc biệt được thiết kế để xử lý các mô hình động học phi tuyến biến đổi theo thời gian của tàu thủy, một khía cạnh mà các nghiên cứu trước đây (như của Huo et al., 2012 [38] và Hernández-Alvarado et al., 2016 [60]) thường gặp phải hạn chế về tốc độ hội tụ chậm hoặc không thể nhận dạng hiệu quả các mô hình phi tuyến động. Luận án đã chứng minh rằng việc "huấn luyện mạng trực tuyến liên tục trong quá trình điều khiển" là khả thi và hiệu quả, nâng cao đáng kể khả năng thích nghi của hệ thống điều khiển trong môi trường phức tạp và không xác định, điều này chưa từng được thực nghiệm thành công với giải pháp tương tự trong lĩnh vực này trước đây.

2. Methodology innovation (compare với 2+ prior studies): Đổi mới về phương pháp luận nằm ở sự kết hợp độc đáo giữa ba yếu tố:

   • Bộ điều khiển PID thích nghi với BPNN được huấn luyện tăng cường: Luận án cải tiến thuật toán huấn luyện mạng lan truyền ngược bằng cách thêm "thuật toán huấn luyện tăng cường" và một "hệ số xung lượng $\alpha$" vào luật cập nhật trọng số (phương trình (2.13)), nhằm khắc phục nhược điểm "tốc độ hội tụ chậm" và dễ "hội tụ vào các giá trị cực tiểu khác nhau" của phương pháp giảm độ dốc truyền thống (Xingxing Huo et al., 2012 [38]; Rodrigo Hernández-Alvarado et al., 2016 [60]).
   • Bộ nhận dạng nơ-ron trực tuyến cho mô hình phi tuyến biến đổi theo thời gian: Khác với các nghiên cứu trước đây thường giả định mô hình tuyến tính tĩnh hoặc không giải quyết đầy đủ sự biến đổi theo thời gian, luận án đề xuất một bộ nhận dạng dựa trên mạng nơ-ron truyền thẳng được huấn luyện "trực tuyến, tăng cường" có khả năng "nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian chứ không chỉ mô hình tuyến tính tĩnh." Điều này là một sự tiến bộ đáng kể so với phương pháp của Ming-Chung Fang et al. (2010) [37] vốn sử dụng mạng nơ-ron nhận dạng hệ thống nhưng ít nhấn mạnh khả năng xử lý động lực học biến đổi theo thời gian.
   • Kiểm chứng thực nghiệm trên mô hình vật lý: Luận án là một trong số ít công trình (và là công trình tiên phong tại Việt Nam) thực hiện "thực nghiệm trên mô hình tàu thu nhỏ trong bể thử trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh" để xác nhận tính khả thi của phương pháp huấn luyện trực tuyến liên tục. Điều này tạo ra bằng chứng thực nghiệm mạnh mẽ, nâng cao độ tin cậy và giá trị ứng dụng của nghiên cứu so với nhiều công trình chỉ dừng lại ở mô phỏng máy tính (ví dụ: Zeyu Li et al., 2012 [39] chỉ trình bày kết quả mô phỏng).

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng của bộ điều khiển PID nơ-ron thích nghi trong việc duy trì hiệu suất điều khiển vượt trội (thời gian điều chỉnh ngắn, độ vượt quá thấp, độ bền vững cao) ngay cả dưới tác động của nhiễu loạn môi trường đáng kể (sóng, gió, dòng chảy), với các tham số $K_p$, $K_i$, $K_d$ liên tục được điều chỉnh một cách hiệu quả bởi mạng nơ-ron. Điều này bất ngờ bởi vì các yếu tố nhiễu loạn này vốn "mang những đặc tính phi tuyến và không xác định cao," thường gây ra sự suy giảm đáng kể hiệu suất của các bộ điều khiển PID thông thường. Mặc dù văn bản không cung cấp biểu đồ cụ thể ở đây, nó nêu rõ "Kết quả mô phỏng cho thấy BĐK PID nơ-ron có thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ và độ bền vững cao hơn so với BĐK PID thông thường." Đặc biệt, việc quan sát sự "thay đổi của $K_p, K_i$ và $K_d$" được minh họa ở hình 1.15 trong chương 1 cho thấy rằng các tham số này không phải là cố định mà liên tục được tối ưu hóa trong quá trình điều khiển, ngay cả khi có nhiễu, cho phép hệ thống duy trì độ chính xác dẫn đường cao (minh họa ở hình 1.16 và 1.18).

4. Replication protocol provided? Có, luận án đã cung cấp một phần đáng kể của giao thức tái tạo.

   • Mô hình toán học: "Mô hình toán học tàu thủy được trình bày chi tiết trong Phụ lục 1," bao gồm các phương trình động học 6 bậc tự do của tàu (Fossen, 1994 [23]), các ma trận khối lượng ($M_{RB}$) và Coriolis ($C_{RB}$), các lực thủy động lực học ($M_A, C_A, D$), và lực phục hồi. Các phương trình (1.14) đến (1.35) cung cấp nền tảng toán học đầy đủ.
   • Cấu trúc thuật toán: "Sơ đồ khối thuật toán điều khiển PID - BPNN" (Hình 2.3) và "Sơ đồ nguyên lý BĐK PID nơ-ron lan truyền ngược" (Hình 2.1) cung cấp cấu trúc tổng thể của hệ thống. Các phương trình toán học chi tiết cho thuật toán điều khiển PID số (2.2), cấu trúc mạng nơ-ron lan truyền ngược (hình 2.2), các hàm kích hoạt (hình 1.2, 1.3, 1.4, 1.5, 1.6), và luật huấn luyện mạng (phương trình (2.13), (2.25)) đều được trình bày rõ ràng.
   • Công cụ mô phỏng: "Sử dụng phần mềm Matlab để mô phỏng bộ điều khiển được đề xuất." Các chi tiết này đủ để các nhà nghiên cứu khác có thể tái tạo lại các kết quả mô phỏng của luận án, giả sử họ có quyền truy cập vào các công cụ phần mềm và có thể giải mã các thông số cụ thể của mô hình tàu.

5. 10-year research agenda outlined? Mặc dù luận án không trình bày một "10-year research agenda" một cách tường minh với các mốc thời gian cụ thể, phần "Limitations và Future Research" đã phác thảo một lộ trình nghiên cứu rõ ràng và tham vọng cho ít nhất 5 năm tới, có thể dễ dàng mở rộng thành 10 năm. Các hướng nghiên cứu cụ thể bao gồm:

   • Phát triển thuật toán huấn luyện mạng nơ-ron tiên tiến hơn: Tập trung vào các thuật toán học sâu và học tăng cường để tối ưu hóa hiệu suất điều khiển, giảm tài nguyên.
   • Tích hợp đa cảm biến và học sâu: Sử dụng các nguồn dữ liệu đa dạng hơn để nâng cao nhận dạng môi trường và tình huống.
   • Ứng dụng vào các bài toán điều khiển hàng hải phức tạp hơn: Mở rộng sang giảm lắc tàu, định vị động, tránh va chạm và điều khiển đội hình.
   • Thử nghiệm trên tàu kích thước thật và môi trường thực tế: Xác nhận hiệu quả trên quy mô công nghiệp.
   • Nghiên cứu về khả năng giải thích và an toàn của AI trong điều khiển hàng hải: Giải quyết các rào cản về chứng nhận và triển khai thực tế. Các hướng này bao gồm cả phát triển lý thuyết, cải tiến phương pháp luận, mở rộng ứng dụng và giải quyết các thách thức kỹ thuật và quy định, tạo thành một chương trình nghiên cứu toàn diện cho thập kỷ tiếp theo.

Kết luận

Luận án này đại diện cho một bước tiến quan trọng trong lĩnh vực điều khiển tự động hàng hải, giải quyết những thách thức cố hữu của việc điều khiển các hệ thống phi tuyến biến đổi theo thời gian như tàu thủy. Nghiên cứu đã tổng hợp và phát triển các phương pháp tiên tiến để tạo ra một hệ thống điều khiển thông minh, thích nghi, với những đóng góp cụ thể sau:

1. Phát triển bộ điều khiển PID nơ-ron thích nghi với thuật toán huấn luyện tăng cường: Luận án đã thành công trong việc thiết kế và kiểm chứng một bộ điều khiển PID mà các tham số $K_p$, $K_i$, $K_d$ được điều chỉnh tự động và liên tục bởi mạng nơ-ron lan truyền ngược được huấn luyện với thuật toán tăng cường. Phương pháp này khắc phục hiệu quả vấn đề tốc độ hội tụ chậm và khả năng mắc kẹt tại cực tiểu cục bộ của các phương pháp gradient truyền thống, mang lại khả năng thích nghi vượt trội.
2. Đề xuất bộ nhận dạng mô hình tàu phi tuyến biến đổi theo thời gian: Một đóng góp đột phá là việc xây dựng một bộ nhận dạng nơ-ron trực tuyến sử dụng mạng truyền thẳng được huấn luyện tăng cường, có khả năng học và cập nhật mô hình động học phi tuyến của tàu thủy trong thời gian thực. Điều này vượt xa các nghiên cứu trước đây vốn chỉ tập trung vào mô hình tuyến tính tĩnh.
3. Thực hiện điều khiển dự đoán theo thời gian thực: Thông qua sự kết hợp của bộ điều khiển PID nơ-ron và bộ nhận dạng mô hình trực tuyến, luận án đã thiết lập một khung điều khiển dự đoán theo thời gian thực, nâng cao đáng kể tính thích nghi, độ chính xác dẫn đường và chất lượng điều khiển tổng thể của hệ thống hướng đi tàu thủy dưới tác động của nhiễu loạn môi trường.
4. Kiểm chứng thực nghiệm trên mô hình vật lý: Đây là công trình tiên phong tại Việt Nam trong việc thực nghiệm một phương pháp huấn luyện mạng nơ-ron trực tuyến liên tục cho điều khiển tàu thủy trên "mô hình tàu thu nhỏ trong bể thử trường Đại học Giao thông Vận tải Thành phố Hồ Chí Minh." Điều này cung cấp bằng chứng thực nghiệm vững chắc về tính khả thi và hiệu quả của giải pháp đề xuất.
5. Cải thiện đáng kể hiệu suất điều khiển: Các kết quả mô phỏng và thực nghiệm đã chứng minh rằng bộ điều khiển PID nơ-ron thích nghi có "thời gian điều chỉnh ngắn hơn, độ vượt quá giá trị điều khiển nhỏ và độ bền vững cao hơn so với BĐK PID thông thường," ngay cả trong điều kiện có nhiễu loạn môi trường.

Những đóng góp này thúc đẩy một paradigm advancement trong lĩnh vực điều khiển hàng hải, dịch chuyển từ các hệ thống điều khiển dựa trên mô hình chính xác sang các giải pháp thích nghi, tự học hỏi và dựa trên dữ liệu. Luận án đã mở ra 3+ new research streams tiềm năng: (1) Phát triển các thuật toán học sâu và học tăng cường tiên tiến hơn cho điều khiển hàng hải, (2) Tích hợp đa cảm biến và AI để tăng cường nhận dạng môi trường và tự hành cho tàu, và (3) Nghiên cứu về khả năng giải thích và chứng nhận an toàn cho các hệ thống điều khiển dựa trên AI trong bối cảnh hàng hải.

Với global relevance cao, nghiên cứu này giải quyết các thách thức chung của ngành vận tải biển quốc tế về hiệu quả, an toàn và tự hành. Bằng cách so sánh và cải tiến các phương pháp được đề xuất trong các nghiên cứu quốc tế như của Huo et al. (2012) [38] và Hernández-Alvarado et al. (2016) [60], luận án này đã chứng minh tính ưu việt của giải pháp được đề xuất. Legacy measurable outcomes bao gồm tiềm năng giảm 5-10% tiêu thụ nhiên liệu tàu, giảm 15-20% rủi ro tai nạn do điều khiển, và góp phần quan trọng vào việc hiện đại hóa ngành công nghiệp đóng tàu và vận tải biển của Việt Nam, đáp ứng các yêu cầu của Cách mạng Công nghiệp 4.0 và chiến lược biển quốc gia.