Luận án TS: Mạng nơron nhận dạng tham số khí động kênh độ cao (Nguyễn Đức Thành)

Nhận dạng tham số khí động là bước quan trọng trong chu trình thiết kế thiết bị bay. Nó liên quan đến việc xác định các hệ số và đạo hàm khí động từ dữ liệu bay thực tế hoặc mô phỏng. Thông tin này cần thiết để xây dựng mô hình động học chính xác của máy bay. Mô hình này phục vụ cho việc phân tích ổn định, thiết kế hệ thống điều khiển và mô phỏng hiệu suất bay. Một mô hình khí động không chính xác có thể dẫn đến hệ thống điều khiển hoạt động kém hiệu quả hoặc không ổn định. Điều này gây ra rủi ro cao trong quá trình thử nghiệm và vận hành. Vì vậy, cải thiện độ chính xác của quá trình nhận dạng tham số khí động trực tiếp góp phần nâng cao chất lượng và độ tin cậy của thiết bị bay. Đặc biệt, việc nhận dạng các tham số khí động kênh độ cao là trọng tâm của nghiên cứu này, bởi kênh độ cao đóng vai trò then chốt trong điều khiển bay theo phương thẳng đứng và duy trì quỹ đạo. Việc làm chủ thông tin này giúp tối ưu hóa thiết kế cánh, thân và các bề mặt điều khiển.

Nghiên cứu về nhận dạng các hệ số khí động đã được thực hiện rộng rãi trên thế giới và trong nước. Các phương pháp truyền thống bao gồm hồi quy tuyến tính, phương pháp sai số đầu ra và lọc Kalman mở rộng. Những phương pháp này đã đạt được những thành công nhất định nhưng thường gặp khó khăn với dữ liệu nhiễu, hệ thống phi tuyến mạnh và yêu cầu mô hình chính xác cao. Ở nước ngoài, nhiều công trình đã khám phá ứng dụng trí tuệ nhân tạo, đặc biệt là mạng nơron, trong nhận dạng tham số khí động. Các kỹ thuật như mạng nơron hồi quy (recurrent neural networks) và mạng RBF (radial basis function networks) đã được đề xuất. Trong nước, lĩnh vực này cũng nhận được sự quan tâm đáng kể. Tuy nhiên, việc áp dụng các mạng nơron tiên tiến hơn, như mạng nơron đột biến, để nhận dạng tham số khí động kênh độ cao vẫn còn hạn chế. Nghiên cứu này hướng tới việc lấp đầy khoảng trống đó, bằng cách đề xuất và đánh giá các thuật toán mạng nơron mới. Mục tiêu là cung cấp một giải pháp hiệu quả hơn, nâng cao độ chính xác và khả năng thích ứng cho quá trình nhận dạng.

Mô hình động học phi tuyến mô tả chuyển động của thiết bị bay trong sáu bậc tự do. Tuy nhiên, trong nhiều ứng dụng, các kênh chuyển động có thể được tách rời hoặc đơn giản hóa. Nghiên cứu này tập trung vào kênh độ cao, bao gồm các phương trình liên quan đến chuyển động theo phương thẳng đứng (altitude dynamics). Các phương trình phi tuyến tính này thể hiện mối quan hệ phức tạp giữa các trạng thái của máy bay (như vận tốc, góc gật, tốc độ góc) và các lực/mô men khí động. Các tham số khí động như hệ số lực nâng, lực cản và mô men gật là thành phần chính trong mô hình này. Việc hiểu rõ và biểu diễn chính xác các yếu tố phi tuyến là rất quan trọng. Mặc dù phi tuyến tính làm cho quá trình nhận dạng trở nên thách thức hơn, nó phản ánh sát hơn thực tế hoạt động của thiết bị bay. Mô hình động học phi tuyến là cơ sở để phát triển các thuật toán nhận dạng mạnh mẽ, có khả năng xử lý các biến đổi lớn trong điều kiện bay.

Để ứng dụng mạng nơron nhân tạo vào nhận dạng tham số khí động, mô hình động học cần được điều chỉnh. Mô hình động học được sử dụng làm cơ sở để tạo ra dữ liệu huấn luyện hoặc làm thành phần trong cấu trúc mạng. Mạng nơron có khả năng xấp xỉ các hàm phi tuyến phức tạp. Điều này cho phép mạng học hỏi các mối quan hệ giữa trạng thái bay, tín hiệu điều khiển và các đạo hàm khí động. Các phương trình động học được biểu diễn dưới dạng phù hợp với kiến trúc mạng nơron, ví dụ như đưa các đạo hàm khí động vào làm trọng số hoặc tham số học được của mạng. Một cách tiếp cận là sử dụng mô hình động học để dự đoán các trạng thái tiếp theo, sau đó so sánh với dữ liệu thực tế để huấn luyện mạng. Cách tiếp cận khác là tích hợp trực tiếp các phương trình động học vào hàm mục tiêu của mạng nơron. Việc lựa chọn phương pháp phù hợp sẽ ảnh hưởng đến hiệu quả và độ chính xác của quá trình nhận dạng. Các mô hình động học được thiết kế để tối ưu hóa quá trình học của mạng, giúp mạng hiểu rõ hơn về động lực học của thiết bị bay và trích xuất các tham số khí động một cách chính xác.

Các phương pháp truyền thống nhận dạng hệ số khí động thường bao gồm hồi quy tuyến tính (LR) và phương pháp sai số đầu ra (OEM). Phương pháp hồi quy tuyến tính giả định rằng các lực và mô men khí động có thể được biểu diễn dưới dạng tuyến tính của các tham số trạng thái và điều khiển. Phương pháp này tương đối đơn giản để triển khai và tính toán nhanh chóng. Tuy nhiên, nó có nhược điểm khi các giả định tuyến tính không còn đúng, đặc biệt với các thiết bị bay hoạt động trong dải bay rộng hoặc có đặc tính khí động phi tuyến mạnh. Phương pháp sai số đầu ra là một phương pháp tối ưu hóa. Nó tìm kiếm các tham số khí động bằng cách giảm thiểu sai số giữa đầu ra mô hình và dữ liệu đo được từ thiết bị bay. OEM có khả năng xử lý các mô hình phi tuyến hơn so với LR nhưng yêu cầu một mô hình động học chính xác và thường gặp khó khăn với các hàm mục tiêu có nhiều điểm cực tiểu cục bộ. Cả hai phương pháp này đều cung cấp một cơ sở so sánh quan trọng để đánh giá hiệu suất của các thuật toán mạng nơron được đề xuất. Việc hiểu rõ ưu nhược điểm của chúng giúp làm nổi bật lợi thế của mạng nơron.

Mạng nơron nhân tạo cung cấp một khung làm việc mạnh mẽ để nhận dạng tham số khí động. Các thuật toán này có khả năng học các ánh xạ phi tuyến từ dữ liệu đầu vào (trạng thái bay, tín hiệu điều khiển) đến đầu ra (lực và mô men khí động). Một trong những loại mạng được xem xét là mạng RBF (Radial Basis Function network). Mạng RBF có ưu điểm về khả năng học nhanh và xấp xỉ hàm phi tuyến. Cấu trúc mạng RBF bao gồm một lớp ẩn với các hàm cơ sở xuyên tâm, cho phép mạng tạo ra các vùng phản ứng cục bộ. Việc huấn luyện mạng RBF liên quan đến việc xác định tâm và bán kính của các hàm cơ sở, cùng với các trọng số kết nối. Một thuật toán mạng nơron khác được khám phá là mạng nơron đột biến (mutated neural network). Thuật toán này có thể kết hợp các yếu tố từ thuật toán di truyền hoặc thuật toán tiến hóa để tối ưu hóa cấu trúc hoặc trọng số của mạng. Điều này giúp mạng thoát khỏi các điểm cực tiểu cục bộ và đạt được hiệu suất tốt hơn. Cả hai loại mạng đều được thiết kế để trực tiếp học các mối quan hệ động học và trích xuất các tham số khí động một cách hiệu quả.

Các thuật toán truyền thống như hồi quy tuyến tính (LR) và phương pháp sai số đầu ra (OEM) được mô phỏng và đánh giá trước tiên. Các thí nghiệm sử dụng dữ liệu mô phỏng từ mô hình động học của thiết bị bay kênh độ cao. Dữ liệu này có thể được thêm nhiễu để mô phỏng điều kiện thực tế. Phương pháp LR được đánh giá về tốc độ và độ chính xác trong các trường hợp tuyến tính hóa. OEM được kiểm tra khả năng xử lý các trường hợp phi tuyến. Kết quả mô phỏng cho thấy các phương pháp truyền thống có thể hoạt động tốt trong các điều kiện lý tưởng hoặc khi mô hình khí động gần tuyến tính. Tuy nhiên, khi độ phức tạp của động lực học tăng lên hoặc khi dữ liệu bị nhiễu đáng kể, hiệu suất của chúng giảm sút rõ rệt. Sai số nhận dạng tăng lên, và khả năng phục hồi các tham số thực tế bị ảnh hưởng. Điều này nhấn mạnh sự cần thiết của các phương pháp nhận dạng tiên tiến hơn, đặc biệt khi đối mặt với dữ liệu bay thực tế có tính phi tuyến và nhiễu cao. Kết quả này cung cấp một cơ sở quan trọng để so sánh với hiệu suất của các thuật toán mạng nơron.

Các thuật toán mạng nơron, bao gồm mạng RBF và mạng nơron đột biến, được mô phỏng và đánh giá trên cùng bộ dữ liệu. Kết quả mô phỏng cho thấy hiệu quả vượt trội của mạng nơron trong việc nhận dạng các tham số khí động kênh độ cao. Mạng RBF thể hiện khả năng học nhanh và độ chính xác cao khi xử lý dữ liệu phi tuyến. Cấu trúc mạng cho phép nó xấp xỉ các mối quan hệ phức tạp một cách hiệu quả. Mạng nơron đột biến, với cơ chế tối ưu hóa tiến hóa, cho thấy khả năng tìm kiếm các nghiệm tốt hơn, tránh được các điểm cực tiểu cục bộ mà các phương pháp khác có thể mắc phải. Độ chính xác của các tham số khí động được nhận dạng bởi mạng nơron cao hơn đáng kể so với các phương pháp truyền thống. Các mạng này cũng thể hiện tính mạnh mẽ tốt hơn trước nhiễu. Điều này có nghĩa là chúng vẫn duy trì được độ chính xác ngay cả khi dữ liệu đầu vào không hoàn hảo. Khả năng học từ dữ liệu mà không cần giả định mô hình khí động rõ ràng là một lợi thế lớn. Kết quả này khẳng định tiềm năng của mạng nơron trong việc cải thiện đáng kể quá trình nhận dạng tham số khí động cho thiết bị bay.

Mạng nơron mang lại nhiều lợi ích cho quá trình thiết kế thiết bị bay thông qua khả năng nhận dạng tham số khí động chính xác. Thứ nhất, độ chính xác cao của tham số giúp xây dựng mô hình động học đáng tin cậy. Mô hình này là cơ sở để thiết kế hệ thống điều khiển tự động hiệu quả. Nó đảm bảo ổn định và khả năng bay tối ưu. Thứ hai, mạng nơron có khả năng xử lý dữ liệu bay thực tế có nhiễu và tính phi tuyến cao. Điều này làm giảm sự phụ thuộc vào các giả định đơn giản hóa. Nó mang lại kết quả nhận dạng sát với thực tế hơn. Thứ ba, việc giảm thời gian và chi phí cho các thử nghiệm bay. Khi có các tham số chính xác từ quá trình nhận dạng, số lượng các lần thử nghiệm vật lý có thể giảm xuống. Điều này tiết kiệm nguồn lực và tăng tốc độ phát triển. Cuối cùng, khả năng thích nghi của mạng nơron cho phép áp dụng chúng cho nhiều loại thiết bị bay khác nhau. Nó cũng có thể xử lý các thay đổi trong cấu hình hoặc điều kiện bay. Điều này mở rộng phạm vi ứng dụng và tính linh hoạt trong thiết kế.

Dựa trên các kết quả nghiên cứu, có nhiều hướng phát triển và kiến nghị ứng dụng công nghệ mạng nơron trong tương lai. Đầu tiên, mở rộng ứng dụng mạng nơron cho nhận dạng tham số khí động ở các kênh chuyển động khác (liệng, hướng) của thiết bị bay. Điều này sẽ tạo ra một mô hình động học đầy đủ và toàn diện hơn. Thứ hai, nghiên cứu tích hợp các loại mạng nơron sâu (deep neural networks) hoặc học tăng cường (reinforcement learning). Các kỹ thuật này có thể mang lại hiệu suất cao hơn nữa, đặc biệt trong việc xử lý lượng lớn dữ liệu và các tương tác phức tạp. Thứ ba, phát triển các công cụ phần mềm chuyên dụng. Những công cụ này sẽ giúp kỹ sư dễ dàng triển khai và sử dụng các thuật toán nhận dạng dựa trên mạng nơron. Điều này đẩy nhanh quá trình thiết kế. Cuối cùng, việc cộng tác chặt chẽ giữa các viện nghiên cứu và ngành công nghiệp quốc phòng là cần thiết. Điều này sẽ đảm bảo rằng các kết quả nghiên cứu được áp dụng thực tế, góp phần nâng cao năng lực công nghệ quốc gia trong lĩnh vực thiết kế và chế tạo thiết bị bay. Việc liên tục cập nhật công nghệ sẽ giữ vững vị thế dẫn đầu.