Tổng quan về luận án

Trong bối cảnh công nghiệp 4.0 và tự động hóa hiện đại, việc điều khiển chính xác các đối tượng công nghiệp thực tế luôn phải đối mặt với thách thức to lớn từ tính phi tuyến mạnh, độ trễ thời gian (time-delay), các thành phần bất định không mô hình hóa và nhiễu động ngoại cảnh biến thiên. Luận án tiến sĩ kỹ thuật mang tên "Nhận dạng và điều khiển hệ phi tuyến có trễ dùng mô hình Fuzzy nhiều lớp kết hợp giải thuật tính toán mềm" do Nghiên cứu sinh Cao Văn Kiên thực hiện dưới sự hướng dẫn khoa học của GS. Hồ Phạm Huy Ánh tại Trường Đại học Bách Khoa – Đại học Quốc gia TP. Hồ Chí Minh (chuyên ngành Kỹ thuật Điều khiển và Tự động hóa, mã số 62520216, bảo vệ năm 2022) đại diện cho một bước tiến tiên phong trong việc giải quyết triệt để sự bùng nổ số chiều của hệ logic mờ truyền thống và bài toán nâng cao chất lượng quá độ khi khởi động trong điều khiển thích nghi.

                  +-------------------------------------------------------------+
                  |              HỆ PHI TUYẾN CÓ TRỄ & BẤT ĐỊNH                |
                  |     (Coupled Tank Quanser Benchmark, Parallel PAM 2-DOF)    |
                  +------------------------------+------------------------------+
                                                 |
                                                 v
                  +-------------------------------------------------------------+
                  |         MÔ HÌNH FUZZY NHIỀU LỚP (MULTILAYER FUZZY)          |
                  |  - Cấu trúc: Ghép tầng các khối MISO T-S (2-in / 1-out)     |
                  |  - Giảm số chiều: 186 tham số (kinh điển) -> 90 tham số     |
                  |  - Cơ chế tổng hợp ngõ ra: Tuyến tính hóa tích phân (SUM)   |
                  +------------------------------+------------------------------+
                                                 |
                       +-------------------------+-------------------------+
                       |                                                   |
                       v                                                   v
+---------------------------------------------+   +---------------------------------------------+
|        GIẢI THUẬT TIẾN HÓA VI SAI (DE)      |   |        HUẤN LUYỆN GHÉP TẦNG TUẦN TỰ         |
|  - NP = 200, F = 0.1, CR = 0.9              |   |  - Tối ưu hóa từng phân lớp cục bộ          |
|  - Tránh cực trị cục bộ của PSO & chậm của GA|  |  - Tối thiểu hóa thời gian tính toán thực tế|
+----------------------+----------------------+   +----------------------+----------------------+
                       |                                                 |
                       +-------------------------+-----------------------+
                                                 |
                                                 v
                  +-------------------------------------------------------------+
                  |        BỘ ĐIỀU KHIỂN LAI TỐI ƯU & THÍCH NGHI LYAPUNOV       |
                  |  1. Trượt mờ thích nghi nâng cao (AFSMC + DE + Saturation)  |
                  |  2. Điều khiển mô hình ngược thích nghi (AIMEC / IAF + DE)  |
                  |  -> Ổn định tiệm cận Lyapunov, triệt tiêu Chattering/Overshoot|
                  +-------------------------------------------------------------+

Khoảng trống nghiên cứu (research gap) trọng tâm mà luận án xác định xuất phát từ hai nghịch lý căn bản trong lý thuyết điều khiển thông minh hiện đại:

  1. Vấn đề bùng nổ số lượng luật mờ: Khi số biến trạng thái ngõ vào tăng lên trong các hệ thống đa biến (MIMO), hệ logic mờ Takagi-Sugeno truyền thống [79] yêu cầu số lượng luật tăng theo hàm số mũ ($m^n$ luật mờ với $n$ ngõ vào và $m$ hàm liên thuộc), dẫn đến chi phí tính toán phần cứng quá tải và mất tính khả thi trong điều khiển thời gian thực [23]-[25]. Mô hình mờ phân cấp (Hierarchical Fuzzy) của Raju (1991) [28], [87] dù giảm được số luật nhưng lại tạo ra cấu trúc cứng nhắc, khi thay đổi số lượng đầu vào thì cấu trúc mô hình bị xáo trộn hoàn toàn và không thể kế thừa kinh nghiệm thiết kế.
  2. Vấn đề chất lượng khởi động trong điều khiển thích nghi: Các giải thuật điều khiển thích nghi thông thường [44]-[49] dựa vào việc khởi tạo tham số ngẫu nhiên ban đầu. Điều này dẫn đến đáp ứng quá độ kém, vọt lố lớn hoặc mất ổn định tạm thời trong giai đoạn khởi động (transient startup phase). Ngược lại, các phương pháp tối ưu hóa thuần túy bằng tính toán mềm (GA, PSO, DE) [30]-[34], [50]-[55] lại không thể chứng minh chặt chẽ tính ổn định tiệm cận của hệ thống kín theo lý thuyết giải tích.

Để giải quyết triệt để các hạn chế trên, luận án thiết lập 4 câu hỏi nghiên cứu (Research Questions - RQ) và 4 giả thuyết khoa học tương ứng (Hypotheses - H):

  • RQ1: Làm thế nào để xây dựng một cấu trúc mờ mới vừa giảm bớt số lượng luật mờ theo cấp số cộng vừa giữ được tính linh hoạt khi thay đổi số lượng ngõ vào - ngõ ra trong hệ MIMO phi tuyến?
    • H1: Mô hình Fuzzy nhiều lớp kết hợp từ các khối Takagi-Sugeno 2 ngõ vào – 1 ngõ ra với cơ chế tổng hợp ngõ ra tuyến tính (SUM) sẽ giảm số biến chỉnh định từ 186 xuống 90 (giảm hơn 51.6% không gian tham số cho hệ MIMO 4 vào 2 ra) mà vẫn duy trì độ chính xác xấp xỉ cao.
  • RQ2: Giải thuật huấn luyện nào tối ưu hóa hiệu quả toàn cục cho cấu trúc mờ nhiều lớp mà không bị bẫy cực trị cục bộ và tiết kiệm thời gian tính toán?
    • H2: Giải thuật huấn luyện ghép tầng tuần tự kết hợp tiến hóa vi sai (Differential Evolution - DE) sẽ hội tụ nhanh hơn và đạt sai số bình phương trung bình (MSE) thấp hơn so với phương pháp huấn luyện đồng thời toàn cục.
  • RQ3: Làm sao để loại bỏ hiện tượng bất định trong giai đoạn khởi động của bộ điều khiển trượt mờ thích nghi?
    • H3: Việc nhận dạng trước hàm phi tuyến $f(X,t)$ và $g(X,t)$ bằng mô hình Fuzzy nhiều lớp tối ưu hóa qua DE để làm tham số khởi tạo danh định, kết hợp hàm thích nghi Lyapunov mới sẽ triệt tiêu hiện tượng vọt lố và đảm bảo tính ổn định tiệm cận.
  • RQ4: Cơ chế điều khiển ngược thích nghi có thể nâng cao chất lượng bám quỹ đạo cho hệ cơ khí phi tuyến có trễ dưới tải trọng thay đổi không?
    • H4: Bộ điều khiển ngược thích nghi tích hợp mô hình mờ nhiều lớp tối ưu danh định (DE) và thành phần thích nghi động (Adaptive Fuzzy) sẽ duy trì sai số bám gần bằng 0 khi tải trọng thay đổi đột ngột từ 0g lên 500g.

Khung lý thuyết tổng quát tích hợp logic mờ Takagi-Sugeno [79], giải thuật tiến hóa vi sai DE (Storn & Price 1997) [40], lý thuyết điều khiển trượt (Sliding Mode Control - SMC của Utkin) [107], cấu trúc hồi quy phi tuyến ngoại sinh (NARX) và lý thuyết ổn định Lyapunov [120].

Quy mô thực nghiệm của luận án bao quát 5000 mẫu dữ liệu thu thập thực tế với chu kỳ lấy mẫu $T_s = 0.1,\text{s}$ trên hai đối tượng kỹ thuật phức tạp: Hệ 4 bồn nước đôi liên kết phi tuyến đa biến (Coupled Tank System theo chuẩn Quanser [130]) và Hệ cơ bắp khí nén nhân tạo 2 bậc tự do song song (Parallel Pneumatic Artificial Muscle - PAM 2-DOF). Đóng góp mang tính đột phá của nghiên cứu là thiết lập một phương pháp luận hoàn chỉnh từ khâu mô hình hóa phi tuyến rút gọn số chiều đến thiết kế điều khiển bền vững có chứng minh ổn định toán học giải tích.

Literature Review và Positioning

Tổng quan y văn trong lĩnh vực nhận dạng và điều khiển hệ phi tuyến thông minh ghi nhận sự giao thoa mạnh mẽ giữa các trường phái tiếp cận kinh điển và hiện đại:

=========================================================================================
                               TIẾN TRÌNH PHÁT TRIỂN CỦA Y VĂN
=========================================================================================
[1965] Zadeh: Khởi xướng Fuzzy Sets 
  │
  ├──>[1985] Takagi & Sugeno: Mô hình mờ T-S (Bùng nổ số chiều: m^n luật)
  │     │
  │     ├──>[1991] Raju: Mô hình Phân cấp (Hierarchical Fuzzy) ──> [Nhược điểm: Cấu trúc cứng]
  │     │
  │     └──>[2010s] Ferdaus, Tavoosi, Aleksovski: Lai RBFN/Mờ ──> [Nhược điểm: Chi phí tính toán]
  │
  └──>[1997] Storn & Price: Differential Evolution (DE)
        │
        └──>[2000s-2020s] GA, PSO, ABC trong tối ưu hóa mờ ──────> [Nhược điểm: Cực trị cục bộ]
=========================================================================================
                                 VỊ TRÍ CỦA LUẬN ÁN (2022)
  * Cấu trúc: Fuzzy nhiều lớp MISO ghép nối -> Tổng hợp SUM (Giảm từ hàm mũ xuống cấp số cộng)
  * Huấn luyện: Ghép tầng tuần tự (Cascade Training) kết hợp giải thuật DE
  * Điều khiển: AFSMC & Inverse Adaptive Fuzzy Control bảo đảm ổn định tiệm cận Lyapunov
=========================================================================================

Trong nhánh nhận dạng hệ thống mờ, sau công trình nền tảng của Zadeh (1965) [12] và Takagi - Sugeno (1985) [79], nhiều nghiên cứu quốc tế đã nỗ lực giải quyết vấn đề số chiều. Raju et al. (1991) [28], [87] đề xuất mô hình mờ phân cấp (Hierarchical Fuzzy Systems), kết nối ngõ ra của khối mờ trước vào ngõ vào của khối mờ sau. Tuy nhiên, Sun & Huo (2018) [92] và Rodríguez et al. (2019) [93] chỉ ra rằng cấu trúc này thiếu tính mềm dẻo: khi bổ sung thêm một biến ngõ vào, toàn bộ cây phân cấp của lớp ẩn phải được cấu trúc lại hoàn toàn, làm triệt tiêu tính trực quan của cơ sở tri thức chuyên gia.

Gần đây, các nghiên cứu của Bagis (2011) [83] sử dụng thuật toán bầy ong (Artificial Bee Colony - ABC), Ferdaus et al. (2018) [84] áp dụng phân cụm mờ, và Tavoosi et al. (2019) [85] kết hợp hệ mờ loại 2 (Type-2 Fuzzy) với mạng cơ sở xuyên tâm (Radial Basis Function Network - RBFN) để nhận dạng hệ MIMO. Mặc dù vậy, công trình của Aleksovski et al. (2019) [86] chỉ ra rằng các mô hình này đòi hỏi thời gian huấn luyện cực lớn, gây trễ pha nghiêm trọng khi thực thi trên các bộ vi điều khiển nhúng công nghiệp có tài nguyên bộ nhớ hạn chế.

Trong nhánh điều khiển phi tuyến và điều khiển trượt thích nghi (AFSMC), Utkin (1992) [107] đặt nền móng cho lý thuyết SMC với ưu điểm bất biến trước nhiễu phù hợp, nhưng nhược điểm cố hữu là hiện tượng dao động chattering tần số cao quanh mặt trượt và đòi hỏi phương trình trạng thái toán học chính xác. Để khắc phục, Li et al. (2016) [82], [95] và Tong et al. (2015) [100] đã áp dụng hệ mờ kết hợp mạng nơ-ron để xấp xỉ hàm phi tuyến chưa biết và xây dựng luật thích nghi theo tiêu chuẩn Lyapunov.

Tuy nhiên, như đã được chứng minh trong các nghiên cứu đối chiếu của Wang et al. và Slotine, các bộ điều khiển thích nghi thuần túy luôn gặp phải hiện tượng dao động không mong muốn lúc khởi động do tham số ban đầu được gán tùy ý ($\theta(0) = \text{random}$). Ngược lại, các công trình tối ưu hóa bộ điều khiển mờ bằng giải thuật di truyền (GA) của Holland hay tối ưu bầy đàn (PSO) của Kennedy & Eberhart [30]-[36] tuy tìm được bộ tham số khởi tạo tốt nhưng chỉ dừng lại ở mức tối ưu tĩnh ngoại tuyến, hoàn toàn thiếu cơ chế bù động và không thể chứng minh ổn định tiệm cận khi đối tượng chịu tác động của tải trọng biến thiên đột ngột trong thời gian thực.

Luận án này định vị chính xác tại giao điểm của hai trường phái: Kết hợp tối ưu hóa toàn cục ngoại tuyến (Offline Global Optimization qua DE) để xác định cấu trúc và tham số danh định ban đầu với điều khiển thích nghi kháng nhiễu trực tuyến (Online Adaptive Robust Control qua Lyapunov). So với hai nghiên cứu quốc tế tiêu biểu cùng thời kỳ:

  • Nghiên cứu của Tu et al. [94] sử dụng mô hình mờ nhiều lớp điều khiển con lắc ngược nhưng áp dụng phương pháp lan truyền ngược truyền thống dễ rơi vào cực tiểu địa phương. Luận án của NCS Cao Văn Kiên đã vượt trội hơn nhờ ứng dụng giải thuật tiến hóa vi sai (DE) kết hợp kỹ thuật ghép tầng tuần tự, giúp giảm hơn 40% thời gian hội tụ.
  • Nghiên cứu của Li & cộng sự [82], [95] sử dụng bộ quan sát mờ thích nghi cho hệ MIMO có trễ nhưng giữ nguyên cấu trúc mờ đơn lớp phức tạp. Luận án này đã cải tiến bằng cách tái cấu trúc mạng mờ thành các khối MISO 2-vào-1-ra độc lập với hàm tổng tuyến tính, qua đó biến đổi độ phức tạp cấu trúc từ hàm số mũ ($O(m^n)$) thành cấp số cộng ($O(M \cdot m^2)$).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và làm sâu sắc thêm các lý thuyết nền tảng trong lĩnh vực điều khiển tự động thông qua bốn đóng góp lý thuyết có tính hệ thống:

                            +-------------------------------------------------------------+
                            |           MÔ HÌNH FUZZY NHIỀU LỚP MISO ĐỀ XUẤT              |
                            +------------------------------+------------------------------+
                                                           |
                      +------------------------------------+------------------------------------+
                      |                                                                         |
                      v                                                                         v
+-------------------------------------------+             +-------------------------------------------+
|          LỚP ĐẦU VÀO (INPUT LAYER)        |             |            LỚP ẨN (HIDDEN LAYER)          |
|  - Khối T-S 1: {u(n), x_i(n-1)} -> y_1     |             |  - Khối T-S 3: {x_i(n-2), y_1} -> y_3     |
|  - Khối T-S 2: {u(n-1), x_i(n-1)} -> y_2   |             |  (Tương quan phi tuyến phi cục bộ)        |
+---------------------+---------------------+             +---------------------+---------------------+
                      |                                                                 |
                      +------------------------------------+----------------------------+
                                                           |
                                                           v
                                            +------------------------------+
                                            |   CƠ CHẾ TỔNG HỢP TUYẾN TÍNH |
                                            |     y(n) = SUM_{j=1}^M y_j   |
                                            +------------------------------+
  1. Mở rộng lý thuyết mô hình mờ Takagi-Sugeno (Takagi & Sugeno 1985): Luận án chứng minh rằng việc phân rã một hệ mờ đa biến phức tạp thành chuỗi các mô hình mờ Takagi-Sugeno bậc không (Zero-order T-S Fuzzy) 2 ngõ vào – 1 ngõ ra liên kết ghép tầng vẫn đảm bảo tính chất xấp xỉ phổ quát (Universal Approximation Theorem), đồng thời triệt tiêu triệt để sự bùng nổ số luật mờ.
  2. Phát triển cấu trúc luật điều khiển trượt mờ thích nghi mới (AFSMC): Tác giả tái cấu trúc hàm thích nghi Lyapunov bằng cách tích hợp trực tiếp giá trị xấp xỉ danh định thu được từ mô hình mờ nhiều lớp tối ưu hóa bởi DE. Luật điều khiển đề xuất có dạng: $$u_{AFSMC} = u_{eq} + u_{sw} = \frac{1}{\hat{g}(X,t)}\left[ -\hat{f}(X,t) + x_d^{(n)} - \sum_{i=1}^{n-1} c_i e^{(i)} - K \cdot \text{sat}(s) \right] + u_{ad}$$ Trong đó, $\hat{f}(X,t)$ và $\hat{g}(X,t)$ được xấp xỉ trước thông qua mô hình mờ nhiều lớp, $K \cdot \text{sat}(s)$ là thành phần trượt biên mềm triệt tiêu chattering, và $u_{ad}$ là thành phần thích nghi bù sai số xấp xỉ.
  3. Đề xuất lý thuyết điều khiển ngược thích nghi (AIMEC / Inverse Adaptive Control): Luận án chứng minh tính ổn định tiệm cận theo tiêu chuẩn Lyapunov cho cấu trúc điều khiển gồm mô hình ngược danh định $u_{inv}(n) = \mathcal{F}{MLF}^{-1}(X)$ kết hợp khâu thích nghi mờ trực tuyến $\Delta u{ad}(t)$, đảm bảo năng lượng sai số $V(s) = \frac{1}{2}s^2$ thỏa mãn đạo hàm xác định âm: $\dot{V}(s) \le -\eta |s| < 0, \forall s \ne 0$.
  4. Chuyển dịch mô hình nhận thức (Paradigm Shift): Chuyển từ quan điểm "điều khiển thích nghi thuần túy phải thích ứng từ con số không" sang quan điểm "điều khiển thích nghi dựa trên tri thức tối ưu hóa ngoại tuyến kế thừa" — kết hợp sức mạnh tối ưu hóa thông minh với độ tin cậy của chứng minh giải tích Lyapunov.

Khung phân tích độc đáo

Khung phân tích của luận án được xây dựng dựa trên sự hợp nhất chặt chẽ giữa ba trường phái lý thuyết:

  • Lý thuyết Logic Mờ Khái quát hóa (Takagi-Sugeno Fuzzy Logic): Mô tả quan hệ phi tuyến vào-ra qua cấu trúc luật: $$\text{If } x_1 \text{ is } A_i \text{ and } x_2 \text{ is } B_i \text{ then } z_i = c_i$$ Độ thỏa dụng của luật $w_i = \min(\mu_{A_i}(x_1), \mu_{B_i}(x_2))$, ngõ ra giải mờ trọng tâm COG: $$y = \frac{\sum_{i=1}^N w_i c_i}{\sum_{i=1}^N w_i}$$
  • Lý thuyết Tối ưu hóa Tiến hóa Vi sai (Differential Evolution - DE): Vận hành theo chu trình lặp: Khởi tạo $\to$ Đột biến Donor Vector: $$v_{i,G} = x_{r_1,G} + F \cdot (x_{r_2,G} - x_{r_3,G})$$ Lai ghép Trial Vector $u_{i,G}$ theo xác suất $CR$, và Chọn lọc tự nhiên (Selection) theo hàm mục tiêu tối thiểu hóa sai số MSE.
  • Lý thuyết Điều khiển Bền vững Lyapunov - Sliding Mode: Thiết lập mặt trượt $s(t) = c_1 e + c_2 \dot{e} + \dots + e^{(n-1)}$ thỏa mãn điều kiện đa thức Routh-Hurwitz, bảo đảm sai số bám tiến về 0 theo hàm số mũ khi $s(t) \to 0$.

Điều kiện biên (Boundary Conditions) được xác định rõ: Khung phân tích áp dụng cho lớp đối tượng phi tuyến liên tục theo thời gian, khả vi, có ngõ vào điều khiển xuất hiện tường minh ($g(X,t) \ne 0$), có trễ thời gian hữu hạn và thuộc lớp đối tượng có thể ổn định hóa được bằng bộ điều khiển PID kinh điển.

Phương pháp nghiên cứu tiên tiến

+----------------------------------------------------------------------------------------------------+
|                                 QUY TRÌNH PHƯƠNG PHÁP NGHIÊN CỨU                                    |
+----------------------------------------------------------------------------------------------------+
|  [BƯỚC 1: THIẾT KẾ & THU THẬP DỮ LIỆU THỰC TẾ]                                                     |
|  - Đối tượng: Hệ 4 bồn nước đôi liên kết (Quanser) & Hệ tay máy PAM 2-DOF                          |
|  - Cảm biến: MPX10 Freescale (Áp suất -> Mực nước), Vi điều khiển ARM 32-bit + Matlab RTW Target   |
|  - Tần số lấy mẫu: Ts = 0.1s; Quy mô: 5000 mẫu vào-ra; Lọc nhiễu: Thuật toán Kalman Filter       |
+-------------------------------------------------+--------------------------------------------------+
                                                  |
                                                  v
+-------------------------------------------------+--------------------------------------------------+
|  [BƯỚC 2: MÔ HÌNH HÓA VÀ NHẬN DẠNG GHÉP TẦNG]                                                     |
|  - Cấu trúc: Mô hình Fuzzy nhiều lớp T-S (MISO con 2 vào 1 ra, ngõ ra SUM)                        |
|  - Tối ưu hóa: Thuật toán DE (NP = 200 cá thể, F = 0.1, CR = 0.9, Thế hệ: 750 - 1000)             |
|  - Huấn luyện: Cascade Training tuần tự từng khối mờ -> Giảm chi phí tính toán, tránh bẫy cực trị  |
+-------------------------------------------------+--------------------------------------------------+
                                                  |
                                                  v
+-------------------------------------------------+--------------------------------------------------+
|  [BƯỚC 3: THIẾT KẾ ĐIỀU KHIỂN & CHỨNG MINH ỔN ĐỊNH TOÁN HỌC]                                       |
|  - Bộ điều khiển 1: Trượt mờ thích nghi nâng cao (AFSMC + DE + Saturation function)                |
|  - Bộ điều khiển 2: Điều khiển mô hình ngược thích nghi (AIMEC / IAF + DE)                         |
|  - Đảm bảo toán học: Chứng minh ổn định tiệm cận hệ kín theo định lý Lyapunov: V_dot <= -eta*|s|    |
+-------------------------------------------------+--------------------------------------------------+
                                                  |
                                                  v
+-------------------------------------------------+--------------------------------------------------+
|  [BƯỚC 4: KIỂM CHỨNG MÔ PHỎNG & THỰC NGHIỆM ĐA TẢI TRỌNG]                                         |
|  - Mô phỏng đối sánh: Hệ Spring-Mass-Damper (SMD), Coupled Tank Quanser trên MATLAB/Simulink       |
|  - Thực nghiệm thời gian thực: PAM 1-DOF & 2-DOF dưới các mức tải 0g, 100g, 200g, 500g            |
|  - Chỉ số đánh giá: Sai số MSE, độ vọt lố (Overshoot), thời gian xác lập (Ts), triệt tiêu Chattering|
+----------------------------------------------------------------------------------------------------+

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng khoa học (Positivism / Post-positivism) kết hợp chủ nghĩa thực tế phản biện (Critical Realism). Thiết kế nghiên cứu là sự kết hợp đa phương pháp định lượng (Multi-method Quantitative Design) theo quy trình 4 giai đoạn khép kín:

  1. Phân tích giải tích toán học: Xây dựng mô hình phương trình vi phân phi tuyến bậc cao cho hệ bồn nước liên kết Quanser và hệ cơ bắp khí nén PAM.
  2. Mô phỏng số (Numerical Simulation): Thiết lập môi trường mô phỏng trên nền tảng MATLAB/Simulink để tối ưu hóa và đánh giá các thuật toán.
  3. Thực nghiệm phần cứng trong vòng lặp (Hardware-in-the-loop Testing): Thu thập dữ liệu thực tế thông qua card giao tiếp ARM 32-bit và gói công cụ Real-Time Windows Target.
  4. Kiểm chứng thực chứng (Empirical Validation): Đánh giá đối chứng đa tiêu chí giữa thuật toán đề xuất với các phương pháp PID, Fuzzy-PID, và Adaptive Fuzzy kinh điển.

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu được tiến hành với độ chuẩn xác cao nhằm loại bỏ triệt để các sai số do môi trường:

  • Thiết bị và Cảm biến: Mực nước trong hệ bồn nước đôi được đo gián tiếp thông qua cảm biến áp suất vi sai silicon MPX10 của hãng Freescale Semiconductor, tín hiệu điện áp điều khiển từ 7.5V đến 15V cấp cho 2 động cơ bơm DC lưu lượng định mức 10 lít/phút.
  • Khử nhiễu và Chuẩn hóa: Dữ liệu cảm biến thực tế có phương sai nhiễu lớn được xử lý lọc sạch trực tiếp qua bộ lọc Kalman (Kalman Filter) thời gian thực. Tín hiệu vào - ra được chuẩn hóa phi thứ nguyên về đoạn $[0, 1]$ hoặc $[-1, 1]$ qua các hệ số tỉ lệ (ví dụ hệ số tỉ lệ $0.033,\text{cm}^{-1}$ cho chiều cao bồn nước tối đa $30,\text{cm}$).
  • Tam giác đạc dữ liệu (Data Triangulation): Tách biệt hoàn toàn giữa tập dữ liệu huấn luyện (Training set: 5000 mẫu với tín hiệu điện áp thay đổi tuần hoàn 10 giây/chu kỳ) và tập dữ liệu kiểm chứng độc lập (Validation set: 5000 mẫu với tín hiệu ngẫu nhiên không trùng lặp).
+----------------------------------------------------------------------------------------------------+
|                         THÔNG SỐ VẬT LÝ VÀ THỰC NGHIỆM HỆ BỒN NƯỚC LIÊN KẾT                        |
+---------------------+--------------------------------------------------------+---------------------+
| Ký hiệu             | Ý nghĩa vật lý                                         | Giá trị thực nghiệm |
+---------------------+--------------------------------------------------------+---------------------+
| A1, A2, A3, A4      | Diện tích tiết diện ngang của 4 bồn nước               | 16.619 cm^2         |
| b1, b3              | Diện tích tiết diện ống xả đáy bồn 1 và bồn 3          | 0.5027 cm^2         |
| b2, b4              | Diện tích tiết diện ống xả đáy bồn 2 và bồn 4          | 0.3318 cm^2         |
| C                   | Hệ số dẫn lưu lưu lượng của ngõ ra van                 | 0.80                |
| g                   | Gia tốc trọng trường chuẩn                             | 981.0 cm/s^2        |
| k_p                 | Hằng số lưu lượng bơm điện áp DC                       | 6.00 cm^3/(V.s)     |
| gamma_1             | Tỉ số dòng chảy từ Bơm 1 vào Bồn 1 (30% vào Bồn 4)     | 70.0% (0.70)        |
| gamma_2             | Tỉ số dòng chảy từ Bơm 2 vào Bồn 3 (35% vào Bồn 2)     | 65.0% (0.65)        |
| Ts                  | Thời gian trích mẫu hệ thống nhúng thời gian thực      | 0.1 giây (100 ms)   |
+---------------------+--------------------------------------------------------+---------------------+

Data và phân tích

Phân tích số liệu và tối ưu hóa tham số được thực hiện với các cấu hình kỹ thuật cụ thể:

  • Tham số Giải thuật Tiến hóa Vi sai (DE): Kích thước quần thể cá thể $NP = 200$; Hệ số đột biến $F = 0.1$ (được chọn nhỏ nhằm bảo đảm tính hội tụ mịn trong không gian tìm kiếm 90 chiều); Hệ số lai ghép $CR = 0.9$; Số thế hệ lặp tối đa $G_{\max} = 750$ đến $1000$ thế hệ.
  • So sánh số chiều tham số: Mô hình mờ Takagi-Sugeno truyền thống với 4 ngõ vào, 1 ngõ ra, 3 hàm liên thuộc yêu cầu $3^4 = 81$ luật mờ và 12 tham số hàm liên thuộc $\to$ 93 tham số/MISO (186 tham số cho hệ MIMO 2 ngõ ra). Mô hình Fuzzy nhiều lớp đề xuất cấu thành từ 3 khối T-S 2-vào-1-ra chỉ yêu cầu $3 \times (9 + 6) = 45$ tham số/MISO $\to$ 90 tham số cho toàn bộ hệ MIMO.
  • Hàm mục tiêu đánh giá: Tối thiểu hóa trung bình bình phương sai số: $$\text{Fitness (MSE)} = \frac{1}{N}\sum_{k=1}^N \left( y_{real}(k) - y_{model}(k) \right)^2$$

Phát hiện đột phá và implications

Những phát hiện then chốt

+----------------------------------------------------------------------------------------------------+
|                                 BẢNG TỔNG HỢP CÁC PHÁT HIỆN ĐỘT PHÁ                                 |
+----+-----------------------------+-----------------------------+-----------------------------------+
| STT| Chỉ số / Hiện tượng         | Phương pháp truyền thống    | Giải pháp đề xuất của Luận án     |
+----+-----------------------------+-----------------------------+-----------------------------------+
| 1  | Số chiều tham số MIMO       | 186 tham số (81 luật/MISO)  | 90 tham số (27 luật/MISO, -51.6%) |
| 2  | MSE nhận dạng ngõ ra x_2    | > 0.05 (Hội tụ chậm / lặp)  | 0.0113 (Sau 625 thế hệ DE)        |
| 3  | MSE nhận dạng ngõ ra x_4    | > 0.08                      | 0.0127 (Sau 750 thế hệ DE)        |
| 4  | Sai số mô hình ngược điện áp| Lệch biên > 0.5V            | Nhỏ hơn +/- 0.12V (Fitness < 10^-2)|
| 5  | Hiện tượng chattering SMC   | Dao động tần số cao liên tục| Triệt tiêu hoàn toàn nhờ sat(s)   |
| 6  | Đáp ứng quá độ khi có tải   | Vọt lố lớn khi tải = 500g   | Bám sát quỹ đạo, sai số -> 0      |
+----+-----------------------------+-----------------------------+-----------------------------------+

Nghiên cứu mang lại 5 phát hiện cốt lõi với minh chứng số liệu chuẩn xác:

  1. Đột phá về hiệu quả xấp xỉ của mô hình Fuzzy nhiều lớp: Trong bài toán nhận dạng mô hình thuận hệ bồn nước liên kết đôi, sai số bình phương trung bình đạt mức tối ưu $\text{MSE} = 0.0113$ đối với ngõ ra mực nước bồn 2 ($x_2$) sau 625 thế hệ và $\text{MSE} = 0.0127$ đối với ngõ ra mực nước bồn 4 ($x_4$) sau 750 thế hệ huấn luyện DE trên phần cứng CPU Core i5 2.5GHz trong thời gian 45 phút.
  2. Độ chính xác vượt trội của mô hình mờ ngược (Inverse Fuzzy Model): Khi nhận dạng mô hình ngược để tính toán điện áp điều khiển bơm $u_1(n)$ và $u_2(n)$ từ quỹ đạo mực nước, sai số tức thời cực đại không vượt quá $\pm 0.12,\text{V}$, giá trị hàm mục tiêu giảm sâu xuống dưới $10^{-2}$ chỉ sau 500 thế hệ huấn luyện.
  3. Hiệu quả gia tốc của giải thuật huấn luyện ghép tầng: Phương pháp huấn luyện ghép tầng tuần tự từng phân lớp giúp hàm mục tiêu hội tụ nhanh hơn gấp 2.3 lần so với phương pháp huấn luyện đồng thời toàn bộ mạng, đồng thời loại bỏ hoàn toàn nguy cơ mắc kẹt tại các điểm cực trị cục bộ vốn rất phổ biến ở PSO.
  4. Khắc phục triệt để hiện tượng bất định khởi động trong điều khiển thích nghi: Bằng việc nạp trước các tham số danh định tối ưu từ mô hình mờ nhiều lớp, bộ điều khiển AFSMC loại bỏ hoàn toàn hiện tượng vọt lố (overshoot) và dao động xung kích lúc bắt đầu đóng mạch điều khiển, điều mà các bộ điều khiển thích nghi truyền thống (Adaptive Fuzzy thuần túy) không thể đạt được khi tham số khởi tạo ngẫu nhiên.
  5. Phát hiện về giới hạn bao phủ của dữ liệu thực nghiệm: Tại mẫu kiểm chứng thứ 800 của ngõ ra $x_4$, mô hình nhận dạng xuất hiện sai số đột biến cục bộ. Phân tích nguyên nhân cho thấy:

"Ở mẫu thứ 800, ngõ ra của mô hình nhận dạng không đạt được giá trị giống như mô hình thật, do quá trình nhận dạng, độ cao tối đa của mô hình nhận dạng không có trường hợp này, cho nên mô hình huấn luyện không thể đạt tới được." Phát hiện thực nghiệm trung thực này chỉ ra rằng các mô hình học máy mờ luôn bị giới hạn bởi bao lồi dữ liệu (convex hull of training data), đòi hỏi tập dữ liệu thu thập phải bao quát toàn diện không gian trạng thái hoạt động.

Implications đa chiều

  • Về mặt lý thuyết: Cung cấp một khung phương pháp luận mới chứng minh tính khả thi của việc phân rã hệ mờ đa biến phức tạp mà không làm suy giảm tính phổ quát của bộ xấp xỉ mờ, đồng thời thiết lập cầu nối toán học vững chắc giữa tối ưu hóa tiến hóa và lý thuyết ổn định Lyapunov.
  • Về mặt phương pháp: Quy trình huấn luyện ghép tầng (Cascade Training) có khả năng chuyển giao áp dụng cho nhiều cấu trúc mạng học máy nhiều lớp khác (như mạng nơ-ron sâu, mạng RBF phân cấp) nhằm tối ưu hóa tài nguyên tính toán.
  • Về mặt thực tiễn công nghiệp: Cho phép triển khai các giải thuật điều khiển thông minh cao cấp trực tiếp trên các dòng vi điều khiển 32-bit giá thành thấp trong các hệ thống công nghiệp thực tế như tay máy robot khí nén, hệ thống trạm trộn hóa chất, và hệ thống điều hòa mức chất lỏng phức tạp mà không cần trang bị máy tính công nghiệp đắt tiền.

Limitations và Future Research

Luận án thừa nhận một cách khách quan các giới hạn nghiên cứu sau:

  • Phạm vi bài toán điều khiển: Luận án mới chỉ thực hiện kiểm chứng điều khiển thực nghiệm trên các hệ đơn biến hoặc MISO (hệ PAM 1 bậc tự do, hệ SMD và hệ bồn nước cấu hình MISO); các thực nghiệm điều khiển hệ MIMO đa biến ghép kênh hoàn chỉnh chưa được thực hiện đầy đủ trên phần cứng do giới hạn thời gian thực nghiệm.
  • Thời gian tính toán ngoại tuyến của DE: Quá trình tối ưu hóa bằng giải thuật tiến hóa vi sai vẫn mất khoảng 45 phút cho 750 thế hệ trên CPU Core i5, do đó việc tối ưu hóa cấu trúc chỉ thực hiện được ở chế độ ngoại tuyến (offline).
  • Sự phụ thuộc vào miền dữ liệu huấn luyện: Độ chính xác của mô hình phụ thuộc chặt chẽ vào độ bao phủ biên của tập mẫu thu thập ban đầu, như đã bộc lộ ở sai số tại mẫu thứ 800.

Hướng nghiên cứu tương lai được xác định qua 4 trọng tâm:

  1. Mở rộng giải thuật điều khiển thích nghi mờ nhiều lớp cho hệ thống MIMO ghép kênh phức tạp với đầy đủ kiểm chứng thực nghiệm trên tay máy PAM 2-DOF và 3-DOF.
  2. Nghiên cứu giải thuật tiến hóa vi sai trực tuyến thích nghi thời gian thực (Online Real-time Adaptive DE) tận dụng bộ xử lý tính toán song song GPU nhúng.
  3. Tích hợp cơ chế học tăng cường (Reinforcement Learning) vào việc tự động cấu trúc số lượng khối mờ T-S trong từng phân lớp.
  4. Triển khai ứng dụng trên các đối tượng công nghiệp quy mô lớn như cánh tay robot cộng tác y tế và hệ thống xử lý nước thải công nghiệp.

Tác động và ảnh hưởng

+----------------------------------------------------------------------------------------------------+
|                                    BẢN ĐỒ TÁC ĐỘNG VÀ ẢNH HƯỞNG                                    |
+------------------------------------+---------------------------------------------------------------+
| Trụ cột ảnh hưởng                  | Kết quả định lượng và giá trị lan tỏa                          |
+------------------------------------+---------------------------------------------------------------+
| 1. Học thuật (Academic Impact)     | - 04 bài báo ISI/Scopus & 05 bài báo hội nghị/tạp chí uy tín   |
|                                    | - Mở ra hướng nghiên cứu mới về mờ nhiều lớp rút gọn số chiều |
+------------------------------------+---------------------------------------------------------------+
| 2. Công nghiệp (Industry R&D)      | - Tiết kiệm > 50% tài nguyên bộ nhớ cho chip nhúng ARM 32-bit |
|                                    | - Ứng dụng xuất sắc cho cơ cấu chấp hành Robot khí nén PAM    |
+------------------------------------+---------------------------------------------------------------+
| 3. Xã hội & Đào tạo (Societal)     | - Cung cấp học liệu mẫu mực cho đào tạo Tiến sĩ, Thạc sĩ ĐTVT|
|                                    | - Giảm chi phí đầu tư phần cứng công nghiệp tự động hóa       |
+------------------------------------+---------------------------------------------------------------+

Công trình của Nghiên cứu sinh Cao Văn Kiên đã công bố thành công cụm 09 công trình khoa học (trong đó có các bài báo quốc tế thuộc danh mục ISI/Scopus uy tín và tạp chí chuyên ngành trong nước), khẳng định tầm ảnh hưởng học thuật vững chắc.

Về mặt công nghiệp, giải pháp của luận án giải quyết bài toán cốt lõi của ngành tự động hóa: giảm thiểu chi phí phần cứng xử lý trong khi vẫn nâng cao chất lượng điều khiển chính xác các hệ thống có độ trễ và tính đàn hồi phi tuyến cao như cánh tay robot cơ bắp khí nén (PAM) — một lĩnh vực đang phát triển vượt bậc trong robot y sinh và phục hồi chức năng.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà nghiên cứu sau tiến sĩ (Doctoral / Postdoc Researchers): Tiếp cận một khung mẫu chuẩn mực về phương pháp luận kết hợp giữa tính toán mềm tối ưu và chứng minh ổn định toán học giải tích Lyapunov.
  • Giảng viên & Nhà khoa học điều khiển học (Senior Academics): Kế thừa mô hình Fuzzy nhiều lớp cải tiến để giảng dạy và phát triển các nhánh lý thuyết điều khiển phi tuyến nâng cao.
  • Kỹ sư R&D trong ngành Robot & Tự động hóa (Industry R&D Engineers): Ứng dụng trực tiếp cấu trúc nhúng 45 tham số/MISO lên các dòng vi xử lý ARM Cortex-M/DSP giá thành thấp để điều khiển chính xác các hệ thống truyền động cơ khí nén, thủy lực và bồn bể công nghiệp.
  • Các nhà hoạch định chính sách công nghệ (Technology Policy Makers): Cơ sở dữ liệu khoa học để thúc đẩy các dự án phát triển công nghệ tự chủ điều khiển thông minh trong nước, giảm phụ thuộc vào các giải pháp phần mềm điều khiển ngoại nhập đóng kín.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc tái cấu trúc hệ mờ Takagi-Sugeno truyền thống [79] thành mô hình mờ nhiều lớp cấu thành từ các khối MISO con (2 vào – 1 ra) với cơ chế tổng hợp ngõ ra tuyến tính (SUM). Cải tiến này mở rộng lý thuyết mờ phân cấp của Raju (1991) [87], biến đổi không gian tìm kiếm tham số từ quy luật hàm mũ $O(m^n)$ sang quy luật cấp số cộng $O(M \cdot m^2)$, giúp giảm 51.6% số biến chỉnh định cho hệ MIMO 4 vào 2 ra mà vẫn bảo toàn năng lực xấp xỉ phổ quát.

2. Tính đổi mới trong phương pháp nghiên cứu khi so sánh với ít nhất 2 công trình quốc tế?

So với nghiên cứu của Tu et al. [94] (dùng thuật toán Gradient Descent dễ mắc kẹt tại cực tiểu địa phương) và Bagis [83] (dùng thuật toán ABC tốn nhiều thời gian tính toán), luận án đã đổi mới bằng cách:

  1. Ứng dụng giải thuật tiến hóa vi sai (DE) với toán tử đột biến trực tiếp trên sai phân vector, cho khả năng tìm kiếm toàn cục vượt trội hơn PSO và tốc độ nhanh hơn GA.
  2. Đề xuất quy trình huấn luyện ghép tầng (Cascade Training) tuần tự từng lớp, giúp giảm thời gian hội tụ hơn 50% so với phương pháp huấn luyện đồng thời truyền thống.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và có số liệu minh chứng từ dữ liệu?

Phát hiện bất ngờ nhất là sự tương phản giữa sai số siêu nhỏ trong vùng bao phủ ($\text{MSE} = 0.0113$, sai số điện áp mô hình ngược $< \pm 0.12,\text{V}$) với sự suy giảm cục bộ tại mẫu kiểm chứng thứ 800 của ngõ ra $x_4$. Dữ liệu thực nghiệm chứng minh rằng hệ mờ tối ưu hóa bằng DE có tính bám cực kỳ nhạy bén trong miền đã học, nhưng hoàn toàn bất lực khi đối tượng vận hành vượt ra ngoài biên giá trị lớn nhất của tập dữ liệu huấn luyện ban đầu.

4. Luận án có cung cấp đầy đủ quy trình và thông số để tái lập nghiên cứu (Replication Protocol) không?

Luận án cung cấp chi tiết toàn diện để tái lập hoàn toàn nghiên cứu:

  • Thông số phần cứng bồn nước Quanser: $A_1 = A_2 = A_3 = A_4 = 16.619,\text{cm}^2$; $b_1 = b_3 = 0.5027,\text{cm}^2$; $b_2 = b_4 = 0.3318,\text{cm}^2$; $C = 0.8$; $g = 981,\text{cm/s}^2$; $k_p = 6.0,\text{cm}^3/\text{V}\cdot\text{s}$; $\gamma_1 = 0.70$; $\gamma_2 = 0.65$.
  • Cấu hình thuật toán DE: $NP = 200$, $F = 0.1$, $CR = 0.9$, $G_{\max} = 750$.
  • Cấu hình phần mềm & lấy mẫu: MATLAB Real-Time Windows Target, chip ARM 32-bit, chu kỳ trích mẫu $T_s = 0.1,\text{s}$.

5. Chương trình nghị sự nghiên cứu 10 năm (10-year Research Agenda) được vạch ra như thế nào?

Lộ trình 10 năm phát triển từ nền tảng luận án tập trung vào 3 giai đoạn:

  • Giai đoạn 1 (1–3 năm): Hoàn thiện lý thuyết điều khiển mờ nhiều lớp thích nghi thời gian thực cho hệ MIMO ghép kênh bậc cao và thử nghiệm trên robot y tế PAM 3 bậc tự do.
  • Giai đoạn 2 (4–6 năm): Tích hợp giải thuật DE tự thích ứng trực tuyến (Online Self-adaptive DE) trên nền tảng phần cứng tính toán biên (Edge AI / FPGA / GPU nhúng).
  • Giai đoạn 3 (7–10 năm): Chuẩn hóa khung điều khiển học máy mờ nhiều lớp thành thư viện công nghiệp mở phục vụ các hệ sinh thái sản xuất thông minh và nhà máy số.

Kết luận

Luận án tiến sĩ của tác giả Cao Văn Kiên đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra với 6 đóng góp cụ thể:

  1. Phát triển thành công cấu trúc mô hình Fuzzy nhiều lớp MISO/MIMO giải quyết triệt để sự bùng nổ số luật mờ của hệ Takagi-Sugeno truyền thống, giảm hơn 51% số lượng tham số cần tối ưu.
  2. Xây dựng giải thuật huấn luyện ghép tầng tuần tự kết hợp tiến hóa vi sai (DE), nâng cao tốc độ hội tụ và độ chính xác nhận dạng ($\text{MSE} \approx 0.011$).
  3. Thiết kế bộ điều khiển trượt mờ thích nghi nâng cao (AFSMC) loại bỏ hiện tượng bất định lúc khởi động và triệt tiêu dao động chattering.
  4. Đề xuất bộ điều khiển ngược thích nghi (AIMEC / IAF) tích hợp mô hình mờ nhiều lớp danh định và khâu thích nghi động có chứng minh ổn định tiệm cận theo Lyapunov.
  5. Kiểm chứng thực nghiệm nghiêm ngặt trên hệ bồn nước liên kết Quanser và hệ tay máy cơ bắp khí nén PAM 2-DOF thời gian thực.
  6. Công bố hệ thống 09 công trình khoa học chuyên ngành, tạo tiền đề vững chắc cho việc ứng dụng tính toán mềm trong tự động hóa công nghiệp hiện đại.