Bạn sẽ học được gì
- Xây dựng mô hình không gian trạng thái cho hệ điện, cơ và tuyến tính hóa hệ phi tuyến quanh điểm cân bằng
- Tính nghiệm của hệ tuyến tính bằng ma trận mũ, dạng chuẩn Jordan và ma trận chuyển trạng thái
- Phân tích ổn định Lyapunov và ổn định vào – ra, giải phương trình Lyapunov
- Kiểm tra tính điều khiển được, quan sát được, ổn định hóa được, phát hiện được và dùng phân tích Kalman
- Thiết kế phản hồi trạng thái đặt điểm cực và bộ quan sát Luenberger, giải thích nguyên lý tách
- Tìm thực hiện tối thiểu của một hàm truyền và giải thích quan hệ giữa điểm cực, điểm không và tính tối thiểu
- Thiết kế bộ điều khiển LQR từ phương trình Riccati đại số và nêu đúng điều kiện tồn tại
- Giải thích bộ lọc Kalman và bộ điều khiển LQG, mô phỏng bằng python-control hoặc MATLAB
Nên học trước
Giới thiệu
Lý thuyết hệ thống tuyến tính và điều khiển hiện đại chuyển trọng tâm từ hàm truyền một vào một ra sang mô hình không gian trạng thái: hệ được mô tả bởi phương trình đạo hàm của vectơ trạng thái bằng A nhân trạng thái cộng B nhân đầu vào, và đầu ra bằng C nhân trạng thái cộng D nhân đầu vào. Cách nhìn này xử lý tự nhiên hệ nhiều vào nhiều ra, hệ biến đổi theo thời gian, và là nền của điều khiển tối ưu, bộ lọc Kalman, điều khiển dự báo theo mô hình. Chủ đề tương ứng MIT 6.241 (Dynamic Systems and Control), UC Berkeley EE221A (Linear System Theory) và học phần Điều khiển hiện đại hoặc Lý thuyết điều khiển nâng cao ở các trường kỹ thuật Việt Nam.
Mô hình và nghiệm
Bạn bắt đầu bằng việc đưa hệ vật lý về dạng không gian trạng thái, tuyến tính hóa hệ phi tuyến quanh điểm cân bằng hay quanh một quỹ đạo, và liên hệ với đáp ứng xung, hàm truyền. Nghiệm của hệ tuyến tính bất biến được viết qua ma trận mũ e^(At); tính nó qua trị riêng, vectơ riêng và dạng chuẩn Jordan khi ma trận không chéo hóa được. Với hệ biến đổi theo thời gian, vai trò đó thuộc về ma trận chuyển trạng thái. Phần này dùng đại số tuyến tính liên tục, nên hãy ôn kỹ trị riêng, không gian con và hạng trước khi bắt đầu.
Ổn định, điều khiển được và quan sát được
Ổn định Lyapunov: hệ tuyến tính bất biến ổn định tiệm cận khi và chỉ khi mọi trị riêng của A có phần thực âm, tương đương với việc phương trình Lyapunov có nghiệm xác định dương. Hai khái niệm trung tâm của cả môn là tính điều khiển được — có thể đưa trạng thái từ bất kỳ đâu tới bất kỳ đâu bằng đầu vào thích hợp, kiểm tra bằng hạng của ma trận điều khiển được — và tính quan sát được — có thể suy ra trạng thái từ đầu vào và đầu ra đo được. Chúng dẫn tới các kết quả đẹp: nếu cặp (A, B) điều khiển được thì phản hồi trạng thái đặt được mọi tập điểm cực vòng kín (đối xứng qua trục thực); nếu (A, C) quan sát được thì bộ quan sát Luenberger ước lượng được trạng thái với sai số hội tụ nhanh tùy ý; và nhờ nguyên lý tách, ghép hai thiết kế lại vẫn cho hệ kín có đúng các điểm cực đã chọn. Các phân tích Kalman, khái niệm ổn định hóa được, phát hiện được và thực hiện tối thiểu hoàn thiện bức tranh.
Điều khiển tối ưu và ước lượng tối ưu
Đặt điểm cực tùy ý nhưng chọn ở đâu mới tốt? Bộ điều chỉnh toàn phương tuyến tính (LQR) trả lời bằng cách cực tiểu một hàm chi phí cân bằng giữa sai lệch trạng thái và năng lượng điều khiển; nghiệm là phản hồi trạng thái với ma trận khuếch đại tính từ phương trình Riccati đại số, tồn tại và làm hệ kín ổn định khi (A, B) ổn định hóa được, ma trận trọng số điều khiển xác định dương và cặp trạng thái – trọng số phát hiện được. Đối ngẫu của nó là bộ lọc Kalman: bộ ước lượng trạng thái tối ưu theo nghĩa bình phương trung bình khi nhiễu quá trình và nhiễu đo là Gauss trắng. Ghép LQR với bộ lọc Kalman cho bộ điều khiển LQG.
Nên học thế nào
- Nền tảng cần có: Hệ thống điều khiển tự động (hàm truyền, ổn định, phản hồi) và đại số tuyến tính vững (trị riêng, vectơ riêng, hạng, không gian con, ma trận xác định dương).
- Sách chính: Linear Systems Theory của Hespanha — mỗi chương là một bài giảng khoảng hai giờ, chứng minh ngắn gọn có chú giải và ghi chú lệnh MATLAB. Các chương 6–8 của Feedback Systems (Åström và Murray, miễn phí) trình bày cùng nội dung theo lối trực quan, nhiều ví dụ, rất hợp để đọc trước.
- Tính tay rồi kiểm tra bằng máy: làm các ví dụ hai, ba chiều bằng tay; kiểm tra bằng python-control (ctrb, obsv, place, lqr) và NumPy hoặc bằng MATLAB.
Học xong, bạn có thể thiết kế bộ điều khiển phản hồi trạng thái, bộ quan sát, LQR và bộ lọc Kalman cho hệ nhiều biến, và sẵn sàng cho điều khiển phi tuyến, điều khiển bền vững và MPC.
Giáo trình & sách tham khảo
Xem tất cả trong tab SáchGiáo trình chính
Linear Systems Theory
João P. Hespanha · 2018 · Bản thứ 2
Vì sao chọn: Giáo trình của João Hespanha (UC Santa Barbara), bản thứ hai, Princeton University Press, sách trả phí. Viết theo dạng bài giảng, mỗi chương dạy trong khoảng hai giờ, chứng minh có chú giải và ghi chú lệnh MATLAB, có nhiều bài tập kèm lời giải. Chọn làm sách chính vì phủ đúng nội dung một học phần lý thuyết hệ thống tuyến tính và gọn để tự học.
Nên đọc: Toàn bộ các bài giảng, từ State-space linear systems tới LQG/LQR and the Q parameterization (sách chia theo bài giảng; tên bài được ghi ở từng bước)
Feedback Systems: An Introduction for Scientists and Engineers
Karl Johan Åström, Richard M. Murray · 2021 · Bản thứ 2
Giáo trình Feedback Systems của Åström và Murray (bản thứ hai, Princeton University Press), đọc miễn phí trên fbswiki.org với sự cho phép của nhà xuất bản. Ba chương 6–8 trình bày không gian trạng thái, phản hồi trạng thái, bộ quan sát và bộ lọc Kalman theo lối trực quan với nhiều ví dụ; nên đọc trước khi vào phần chứng minh của sách chính.
Nên đọc: Chương 6 Linear Systems; Chương 7 State Feedback; Chương 8 Output Feedback
Các bước học
Đăng nhập để đánh dấu các bước đã hoàn thành.
Bước 1: Mô hình không gian trạng thái và tuyến tính hóa
khoảng 12 giờHọc mô hình không gian trạng thái, tuyến tính hóa quanh điểm cân bằng và quanh quỹ đạo, nhân quả, bất biến theo thời gian, tuyến tính; đáp ứng xung và hàm truyền của hệ không gian trạng thái, chuyển giữa hai dạng biểu diễn. Luyện tập: lập mô hình trạng thái của con lắc ngược trên xe và của động cơ DC có tải đàn hồi, tuyến tính hóa và tính hàm truyền ma trận; kiểm tra bằng python-control (ss, ss2tf). Ôn đại số tuyến tính với khóa trên trang nếu cần.
- Đọc: Bài giảng State-space linear systems; Linearization; Causality, time invariance, and linearity; Impulse response and transfer function of state-space systems — Linear Systems Theory
Bước 2: Nghiệm của hệ tuyến tính
khoảng 12 giờHọc ma trận chuyển trạng thái và nghiệm của hệ biến đổi theo thời gian, ma trận mũ và nghiệm của hệ bất biến, tính ma trận mũ qua trị riêng và dạng chuẩn Jordan, các mode của hệ. Luyện tập: tính tay e^(At) cho một ma trận 2 × 2 chéo hóa được và một khối Jordan 2 × 2, kiểm tra bằng scipy.linalg.expm; giải thích dạng đáp ứng tự do của hệ lò xo – khối lượng – giảm chấn qua trị riêng.
- Đọc: Bài giảng Solutions to LTV systems; Solutions to LTI systems; Solutions to LTI systems: the Jordan normal form — Linear Systems Theory
- Đọc: Chương 6 Linear Systems — Feedback Systems: An Introduction for Scientists and Engineers
Bước 3: Ổn định Lyapunov và ổn định vào – ra
khoảng 10 giờHọc ổn định nội (ổn định Lyapunov), định lý Lyapunov cho hệ tuyến tính, phương trình Lyapunov, ổn định vào – ra (BIBO) và quan hệ giữa hai khái niệm, xem trước điều khiển tối ưu. Luyện tập: giải phương trình Lyapunov cho một hệ bậc hai bằng tay và bằng scipy.linalg.solve_continuous_lyapunov; tìm ví dụ hệ ổn định BIBO nhưng không ổn định tiệm cận do có mode không điều khiển được hoặc không quan sát được.
- Đọc: Bài giảng Internal or Lyapunov stability; Input-output stability; Preview of optimal control — Linear Systems Theory
Bước 4: Điều khiển được và phản hồi trạng thái
khoảng 12 giờHọc không gian con điều khiển được và đạt được, ma trận Gram điều khiển được, kiểm tra hạng, phân tích điều khiển được (phân tích Kalman), ổn định hóa được; phản hồi trạng thái, đặt điểm cực, tác động tích phân. Luyện tập: kiểm tra tính điều khiển được của con lắc ngược trên xe, thiết kế phản hồi trạng thái đặt điểm cực bằng công thức Ackermann (tính tay) và bằng place; thêm khâu tích phân để bám vị trí xe không sai số.
- Đọc: Bài giảng Controllable and reachable subspaces; Controllable systems; Controllable decompositions; Stabilizability — Linear Systems Theory
- Đọc: Chương 7 State Feedback — Feedback Systems: An Introduction for Scientists and Engineers
Bước 5: Quan sát được, bộ quan sát và thực hiện tối thiểu
khoảng 12 giờHọc tính quan sát được, phát hiện được, bộ quan sát Luenberger, phản hồi đầu ra dùng trạng thái ước lượng và nguyên lý tách; thực hiện tối thiểu, dạng Smith–McMillan, điểm cực và điểm không của hệ nhiều biến. Luyện tập: thiết kế bộ quan sát cho con lắc ngược chỉ đo vị trí xe và góc, ghép với phản hồi trạng thái của bước trước và kiểm tra nguyên lý tách trong mô phỏng; tìm thực hiện tối thiểu của một hàm truyền bậc ba có triệt tiêu điểm cực – điểm không. Bài cảm biến và định vị robot trên trang cho ví dụ về bài toán ước lượng trạng thái.
- Đọc: Bài giảng Observability; Output feedback; Minimal realizations; Smith-McMillan form; State-space poles, zeros, and minimality — Linear Systems Theory
- Đọc: Chương 8 Output Feedback — Feedback Systems: An Introduction for Scientists and Engineers
Bước 6: LQR, phương trình Riccati và LQG
khoảng 12 giờHọc bài toán điều chỉnh toàn phương tuyến tính, phương trình Riccati đại số và điều kiện tồn tại nghiệm ổn định hóa, tính chất miền tần số của LQR (độ dự trữ bảo đảm), bộ lọc Kalman và bộ điều khiển LQG. Dự án: thiết kế LQR cho con lắc ngược trên xe với vài cặp ma trận trọng số Q, R, so sánh đáp ứng và năng lượng điều khiển; thêm bộ lọc Kalman khi đo có nhiễu và đánh giá toàn bộ vòng LQG trong mô phỏng. Tài liệu MIT 6.241 trên MIT OpenCourseWare là nguồn bài tập bổ sung tốt.
- Đọc: Bài giảng Linear Quadratic Regulation (LQR); The algebraic Riccati Equation (ARE); Frequency domain and asymptotic properties of LQR; LQG/LQR and the Q parameterization — Linear Systems Theory
- Đọc: Chương 8 Output Feedback (mục Kalman Filtering) — Feedback Systems: An Introduction for Scientists and Engineers
Khái niệm chính
- Mô hình không gian trạng thái
- Mô tả hệ bằng phương trình vi phân bậc nhất của vectơ trạng thái x′ = Ax + Bu và phương trình đầu ra y = Cx + Du; áp dụng cho hệ nhiều vào nhiều ra.
- Ma trận mũ và ma trận chuyển trạng thái
- Nghiệm tự do của hệ bất biến là x(t) = e^(At)·x(0); với hệ biến đổi theo thời gian, vai trò này thuộc về ma trận chuyển trạng thái Φ(t, t₀).
- Dạng chuẩn Jordan
- Dạng gần chéo của ma trận qua phép đồng dạng, dùng để tính ma trận mũ khi ma trận không chéo hóa được và để hiểu các mode của hệ.
- Ổn định Lyapunov
- Hệ tuyến tính bất biến ổn định tiệm cận khi và chỉ khi mọi trị riêng của A có phần thực âm, tương đương với: với một (và khi đó với mọi) ma trận Q xác định dương, phương trình Lyapunov AᵀP + PA = −Q có nghiệm P xác định dương.
- Tính điều khiển được
- Khả năng đưa trạng thái từ một giá trị bất kỳ tới một giá trị bất kỳ trong thời gian hữu hạn; với hệ bất biến bậc n, tương đương ma trận [B AB … Aⁿ⁻¹B] có hạng n.
- Tính quan sát được
- Khả năng xác định trạng thái ban đầu từ đầu vào và đầu ra trên một khoảng thời gian hữu hạn; đối ngẫu của tính điều khiển được, kiểm tra bằng hạng ma trận quan sát được.
- Ổn định hóa được và phát hiện được
- Các mode không điều khiển được (không quan sát được) đều ổn định; là điều kiện yếu hơn nhưng đủ cho nhiều kết quả thiết kế như LQR và bộ quan sát.
- Phản hồi trạng thái và đặt điểm cực
- Luật điều khiển u = −Kx; nếu (A, B) điều khiển được thì chọn được K để A − BK có mọi tập trị riêng mong muốn (đối xứng qua trục thực).
- Bộ quan sát Luenberger
- Hệ động học ước lượng trạng thái từ đầu vào và đầu ra đo được; nếu (A, C) quan sát được, điểm cực của sai số ước lượng đặt được tùy ý.
- Nguyên lý tách
- Với hệ tuyến tính bất biến, thiết kế phản hồi trạng thái và bộ quan sát riêng rẽ rồi ghép lại, điểm cực của hệ kín là hợp của hai tập điểm cực đã chọn.
- Thực hiện tối thiểu
- Mô hình không gian trạng thái có số chiều nhỏ nhất cho cùng một hàm truyền; một thực hiện là tối thiểu khi và chỉ khi nó vừa điều khiển được vừa quan sát được.
- LQR và phương trình Riccati đại số
- Phản hồi trạng thái cực tiểu hóa tích phân của xᵀQx + uᵀRu; ma trận khuếch đại tính từ nghiệm ổn định hóa của phương trình Riccati đại số, tồn tại khi R xác định dương, Q nửa xác định dương, (A, B) ổn định hóa được và (A, √Q) phát hiện được.
- Bộ lọc Kalman và LQG
- Bộ ước lượng trạng thái cực tiểu sai số bình phương trung bình khi nhiễu quá trình và nhiễu đo là Gauss trắng; ghép với LQR cho bộ điều khiển LQG.
Học xong để làm gì
- Điều khiển hệ nhiều biến: máy bay, drone, vệ tinh, robot nhiều bậc tự do
- Điều khiển động cơ xoay chiều và bộ biến đổi công suất bằng mô hình trạng thái và bộ quan sát
- Ước lượng trạng thái và định vị bằng bộ lọc Kalman: GPS kết hợp IMU, trạng thái sạc của pin
- Nền tảng cho điều khiển dự báo theo mô hình (MPC) trong công nghiệp quá trình và xe tự hành
- Giảm bậc mô hình và mô phỏng hệ thống điện, hệ cơ điện lớn
- Ổn định hệ thống điện và điều khiển nhiều máy phát, nghịch lưu nối lưới
Câu hỏi thường gặp
Chủ đề này khác gì Hệ thống điều khiển tự động?
Hệ thống điều khiển tự động chủ yếu dùng hàm truyền và miền tần số cho hệ một vào một ra. Ở đây là không gian trạng thái, hệ nhiều biến, điều khiển tối ưu và ước lượng tối ưu, với lập luận toán học chặt chẽ hơn.
Cần bao nhiêu đại số tuyến tính?
Nhiều: trị riêng, vectơ riêng, dạng Jordan, hạng, không gian con bất biến, ma trận xác định dương. Nếu chưa vững, hãy ôn chủ đề Đại số tuyến tính của lộ trình Toán học trước khi bắt đầu.
Có nên đọc Åström và Murray trước sách Hespanha không?
Nên, nếu bạn thích trực giác trước: các chương 6–8 (hệ tuyến tính, phản hồi trạng thái, phản hồi đầu ra và bộ lọc Kalman) trình bày cùng ý tưởng với nhiều ví dụ, sau đó sách Hespanha cho định lý và chứng minh đầy đủ.
Bộ lọc Kalman có cần học xác suất không?
Có ở mức cơ bản: vectơ ngẫu nhiên Gauss, kỳ vọng, ma trận hiệp phương sai, nhiễu trắng. Chủ đề Xác suất và quá trình ngẫu nhiên cung cấp đủ nền này.
Vì sao đây là chủ đề nâng cao?
Vì cần đồng thời kiến thức điều khiển cổ điển và đại số tuyến tính, và nhiều kết quả chỉ hiểu thấu qua chứng minh. Thời lượng 70 giờ là cho lượt học đầu; học phần tương đương ở bậc sau đại học thường cần nhiều hơn.

