ĐIỀU KHIỂN LQR HỆ THỐNG TREO CHỦ ĐỘNG TRÊN Ô TÔ HIỆN ĐẠI

1. Cơ sở lý thuyết mô hình hóa và bản chất điều khiển LQR trên hệ thống treo chủ động

Hệ thống treo chủ động (Active Suspension System) là một trong những công nghệ điều khiển động lực học tiên tiến trên ô tô hiện đại, được phát triển nhằm nâng cao độ êm dịu chuyển động (ride comfort), khả năng bám đường (road holding) và tính ổn định của thân xe. Khác với hệ thống treo bị động chỉ sử dụng lò xo và giảm chấn có đặc tính cơ học cố định, hệ thống treo chủ động được trang bị cơ cấu chấp hành có khả năng tạo ra lực điều khiển theo thời gian thực. Lực này được điều chỉnh dựa trên tín hiệu từ các cảm biến và thuật toán điều khiển nhằm hạn chế dao động thân xe, giảm biến thiên tải trọng động của bánh xe và cải thiện khả năng vận hành trong các điều kiện mặt đường khác nhau. Trong số các phương pháp điều khiển hiện đại, điều khiển tối ưu tuyến tính theo chỉ tiêu toàn phương (Linear Quadratic Regulator – LQR) được sử dụng phổ biến trong nghiên cứu hệ thống treo nhờ khả năng tối ưu hóa đồng thời nhiều biến trạng thái, cấu trúc toán học rõ ràng và khả năng kết hợp với các mô hình động lực học tuyến tính.

Mô hình lý thuyết thường được sử dụng để nghiên cứu ban đầu là mô hình 1/4 xe (quarter-car model) với hai bậc tự do, bao gồm khối lượng được treo m_s đại diện cho một phần thân xe và khối lượng không được treo m_u đại diện cho cụm bánh xe. Chuyển động thẳng đứng của hệ thống chịu tác động kích thích từ biên dạng mặt đường z_r. Hệ thống gồm lò xo có độ cứng k_s, giảm chấn có hệ số cản c_s, lốp xe có độ cứng tương đương k_t và cơ cấu chấp hành tạo lực điều khiển F_a. Giả thiết các phần tử có đặc tính tuyến tính, chuyển vị được đo quanh vị trí cân bằng tĩnh và bỏ qua lực cản nhớt của lốp, phương trình động lực học của hệ thống được xác định như sau:

Phương trình dao động của khối lượng được treo:

m_sẍ_s = −k_s(z_s − z_u) − c_s(ż_s − ż_u) + F_a

Phương trình dao động của khối lượng không được treo:

m_uẍ_u = k_s(z_s − z_u) + c_s(ż_s − ż_u) − k_t(z_u − z_r) − F_a

Trong đó, z_s và z_u lần lượt là chuyển vị thẳng đứng của thân xe và cụm bánh xe; z_r là chuyển vị mặt đường; ż_s và ż_u là vận tốc dao động tương ứng; ẍ_s và ẍ_u là gia tốc dao động; k_s là độ cứng lò xo hệ thống treo; c_s là hệ số cản của giảm chấn; k_t là độ cứng hướng tâm tương đương của lốp; F_a là lực chủ động do cơ cấu chấp hành tạo ra. Hai phương trình trên thể hiện mối quan hệ giữa lực đàn hồi, lực giảm chấn, lực kích thích từ mặt đường và lực điều khiển chủ động. Đây là cơ sở để xây dựng mô hình không gian trạng thái phục vụ thiết kế bộ điều khiển LQR.

Để thiết kế bộ điều khiển LQR, hệ phương trình vi phân được chuyển sang dạng không gian trạng thái. Chọn vectơ trạng thái x gồm chuyển vị tương đối của hệ thống treo, chuyển vị của khối lượng không được treo so với mặt đường và vận tốc dao động của hai khối lượng:

x = [z_s − z_u, z_u − z_r, ż_s, ż_u]ᵀ

Trong đó, ký hiệu ᵀ biểu thị phép chuyển vị của vectơ. Với giả thiết mô hình tuyến tính và xem lực điều khiển F_a là tín hiệu đầu vào, hệ thống có thể được biểu diễn dưới dạng:

ẋ = Ax + Bu + Ew

y = Cx

Trong đó, x là vectơ trạng thái; u = F_a là lực điều khiển; w là tín hiệu kích thích từ mặt đường; A là ma trận trạng thái; B là ma trận đầu vào điều khiển; E là ma trận mô tả ảnh hưởng của mặt đường; C là ma trận đầu ra; y là vectơ các đại lượng đầu ra cần quan sát hoặc đánh giá. Việc lựa chọn vectơ trạng thái và xây dựng các ma trận cần bảo đảm tính nhất quán giữa các biến chuyển vị, vận tốc và tín hiệu kích thích. Khi xây dựng mô hình trên MATLAB/Simulink, các ma trận được xác định từ thông số khối lượng, độ cứng và hệ số cản của hệ thống treo. Đối với mô hình đầy đủ hơn, có thể bổ sung các trạng thái như góc chúi, góc lắc ngang và chuyển động của các bánh xe nhằm mô tả các chế độ dao động phức tạp của thân xe.

Bản chất của điều khiển LQR là xác định tín hiệu điều khiển tối ưu thông qua việc cực tiểu hóa một hàm mục tiêu toàn phương, trong đó các trạng thái của hệ thống và lực điều khiển được đánh giá đồng thời. Hàm mục tiêu có dạng:

J = ∫₀∞ (xᵀQx + uᵀRu)dt

Trong đó, J là chỉ tiêu chất lượng điều khiển; Q là ma trận trọng số bán xác định dương, dùng để đánh giá mức độ quan trọng của các biến trạng thái; R là ma trận trọng số xác định dương, dùng để hạn chế mức độ sử dụng lực điều khiển. Khi lựa chọn Q lớn hơn đối với các trạng thái liên quan đến dao động thân xe, bộ điều khiển có xu hướng giảm dao động để nâng cao độ êm dịu. Ngược lại, khi tăng R, thuật toán có xu hướng giảm biên độ lực điều khiển nhằm hạn chế công suất yêu cầu và mức độ hoạt động của cơ cấu chấp hành. Như vậy, LQR không chỉ tìm cách triệt tiêu sai lệch tức thời mà còn xác định một chiến lược điều khiển tối ưu xét trên toàn bộ diễn biến của các trạng thái trong mô hình.

2. Thiết kế bộ điều khiển LQR, lựa chọn ma trận trọng số và chiến lược tối ưu hóa

Quá trình thiết kế bộ điều khiển LQR bắt đầu bằng việc xây dựng mô hình không gian trạng thái của hệ thống treo, xác định các thông số vật lý và kiểm tra tính điều khiển được của mô hình. Với hệ thống tuyến tính có dạng ẋ = Ax + Bu, luật điều khiển phản hồi trạng thái được xác định theo biểu thức:

u = −Kx

Trong đó, u là lực điều khiển chủ động; K là ma trận hệ số phản hồi trạng thái; x là vectơ trạng thái của hệ thống. Khi sử dụng bộ điều khiển này, lực điều khiển được tính toán trực tiếp từ các biến trạng thái đã đo hoặc ước lượng. Dấu âm biểu thị nguyên tắc phản hồi âm, theo đó tín hiệu điều khiển được lựa chọn nhằm hạn chế sự phát triển của các trạng thái không mong muốn. Ma trận K được xác định thông qua việc giải phương trình Riccati đại số liên tục:

AᵀP + PA − PBR⁻¹BᵀP + Q = 0

Sau khi xác định được nghiệm P phù hợp, ma trận hệ số phản hồi tối ưu được tính theo công thức:

K = R⁻¹BᵀP

Trong đó, P là ma trận nghiệm đối xứng bán xác định dương của phương trình Riccati; A và B là các ma trận trạng thái và đầu vào điều khiển; Q và R là các ma trận trọng số. Đối với hệ thống ổn định hóa bằng phản hồi trạng thái, cần kiểm tra tính điều khiển được của cặp ma trận (A, B) hoặc ít nhất tính ổn định hóa được của hệ thống. Việc giải phương trình Riccati và xác định K có thể được thực hiện trực tiếp bằng lệnh lqr(A,B,Q,R) trong MATLAB. Sau đó, bộ điều khiển được tích hợp vào mô hình Simulink để mô phỏng phản ứng của hệ thống dưới các dạng kích thích mặt đường khác nhau.

Lựa chọn ma trận trọng số Q và R là bước có ảnh hưởng quyết định đến chất lượng điều khiển. Đối với mô hình 1/4 xe, có thể sử dụng vectơ trạng thái gồm chuyển vị tương đối hệ thống treo, chuyển vị tương đối của bánh xe so với mặt đường và vận tốc của hai khối lượng. Khi đó, ma trận Q có dạng đường chéo:

Q = diag(q₁, q₂, q₃, q₄)

Trong đó, q₁, q₂, q₃ và q₄ lần lượt là trọng số của các trạng thái. R có thể là một giá trị vô hướng dương khi hệ thống chỉ có một đầu vào lực điều khiển:

R = r, với r > 0

Nếu ưu tiên giảm dao động thân xe, các trọng số liên quan đến vận tốc và gia tốc thân xe cần được lựa chọn phù hợp. Tuy nhiên, gia tốc thân xe không phải lúc nào cũng là một trạng thái độc lập trong mô hình. Trong trường hợp này, cần biểu diễn gia tốc dưới dạng tổ hợp tuyến tính của trạng thái và đầu vào, sau đó xây dựng hàm mục tiêu tương ứng. Tương tự, nếu mục tiêu là hạn chế hành trình hệ thống treo hoặc biến thiên tải trọng động của bánh xe, các đại lượng này phải được đưa vào hàm mục tiêu một cách nhất quán.

Một dạng hàm mục tiêu có thể được xây dựng trực tiếp từ các chỉ tiêu động lực học của hệ thống như sau:

J = ∫₀∞ [αẍ_s² + β(z_s − z_u)² + γ(z_u − z_r)² + λF_a²]dt

Trong đó, α là hệ số trọng số của gia tốc thân xe; β là hệ số trọng số của hành trình tương đối hệ thống treo; γ là hệ số trọng số của biến dạng động lốp; λ là hệ số trọng số của lực điều khiển. Hàm mục tiêu này phản ánh sự cân bằng giữa độ êm dịu, khả năng bám đường, giới hạn hành trình treo và mức sử dụng cơ cấu chấp hành. Tuy nhiên, do gia tốc thân xe và lực điều khiển có thể phụ thuộc đồng thời vào trạng thái và đầu vào, việc chuyển hàm mục tiêu trên sang dạng toàn phương chuẩn cần được thực hiện cẩn thận. Trong một số trường hợp, hàm mục tiêu có thể chứa các số hạng kết hợp giữa trạng thái và đầu vào, khi đó cần sử dụng dạng bài toán LQR tổng quát tương ứng.

Để nâng cao hiệu quả thiết kế, các phương pháp tối ưu hóa số có thể được sử dụng nhằm xác định ma trận Q và R phù hợp. Những thuật toán như giải thuật di truyền (Genetic Algorithm – GA), tối ưu hóa bầy đàn (Particle Swarm Optimization – PSO) hoặc các phương pháp tìm kiếm tham số có thể được áp dụng để giảm hàm mục tiêu tổng hợp. Quá trình tối ưu hóa thường thực hiện bằng cách thay đổi các trọng số, giải lại bài toán LQR và đánh giá kết quả thông qua các chỉ tiêu như giá trị hiệu dụng (RMS) của gia tốc thân xe, hành trình hệ thống treo, tải trọng động của bánh xe và lực điều khiển cực đại. Phương pháp này cho phép giảm sự phụ thuộc vào kinh nghiệm lựa chọn trọng số, đồng thời tạo điều kiện so sánh khách quan giữa nhiều cấu hình điều khiển.

Ngoài LQR tiêu chuẩn, một số cấu trúc mở rộng có thể được sử dụng để nâng cao khả năng ứng dụng thực tế. Bộ điều khiển LQR có tích phân (LQI) bổ sung trạng thái tích phân của sai lệch đầu ra nhằm cải thiện khả năng bám giá trị tham chiếu và loại bỏ sai lệch xác lập khi các điều kiện thiết kế được đáp ứng. LQR có trọng số biến thiên hoặc bộ điều khiển có cơ chế lập lịch thông số (gain scheduling) có thể được sử dụng khi khối lượng xe, tốc độ hoặc đặc tính hệ thống thay đổi đáng kể. Đối với hệ thống treo bán chủ động, lực giảm chấn không thể được điều khiển tùy ý như lực của cơ cấu chấp hành chủ động lý tưởng. Vì vậy, lực điều khiển LQR cần được chuyển đổi thành lệnh điều khiển giảm chấn có thể thực hiện được, đồng thời bảo đảm các ràng buộc vật lý của thiết bị.

3. Đánh giá tính khả thi kỹ thuật, hạn chế thực tế và triển vọng ứng dụng LQR trên ô tô hiện đại

Ưu điểm nổi bật của bộ điều khiển LQR là khả năng thiết kế có hệ thống dựa trên mô hình toán học và tối ưu hóa đồng thời nhiều biến trạng thái. So với PID, LQR sử dụng thông tin trạng thái của hệ thống để xác định lực điều khiển, nhờ đó có thể phối hợp trực tiếp giữa chuyển vị, vận tốc và các đại lượng động lực học khác. Khi mô hình được xây dựng phù hợp và ma trận trọng số được lựa chọn hợp lý, LQR có thể giảm đáng kể dao động thân xe, cải thiện độ êm dịu và duy trì hành trình hệ thống treo trong giới hạn thiết kế. Ngoài ra, bộ điều khiển có cấu trúc tính toán tương đối gọn nhẹ sau khi ma trận K đã được xác định, phù hợp với việc triển khai trên các bộ điều khiển điện tử có khả năng xử lý thời gian thực.

Tuy nhiên, hiệu quả của LQR phụ thuộc đáng kể vào độ chính xác của mô hình và khả năng đo hoặc ước lượng trạng thái. Trong mô hình lý tưởng, luật điều khiển u = −Kx giả thiết các trạng thái cần thiết đều có thể được cung cấp cho bộ điều khiển. Trên ô tô thực tế, không phải tất cả các chuyển vị và vận tốc đều được đo trực tiếp bằng cảm biến. Một số trạng thái phải được ước lượng thông qua bộ quan sát trạng thái, bộ lọc Kalman hoặc thuật toán xử lý tín hiệu cảm biến. Sai số ước lượng, nhiễu đo và độ trễ tín hiệu có thể làm suy giảm chất lượng điều khiển. Do đó, khi thiết kế hệ thống LQR thực tế, cần xem xét đồng thời cấu trúc cảm biến, phương pháp ước lượng trạng thái và yêu cầu ổn định của toàn bộ hệ thống điều khiển.

Một hạn chế quan trọng khác là LQR tiêu chuẩn thường được thiết kế dựa trên mô hình tuyến tính và không trực tiếp xử lý các ràng buộc vật lý của cơ cấu chấp hành. Trong thực tế, lực điều khiển bị giới hạn bởi công suất, tốc độ đáp ứng, hành trình hoạt động và điều kiện nhiệt của thiết bị. Giới hạn lực có thể được biểu diễn như sau:

F_min ≤ F_a ≤ F_max

Khi lực điều khiển do LQR tính toán vượt quá giới hạn cho phép, tín hiệu thực tế phải được giới hạn trước khi đưa tới cơ cấu chấp hành. Tuy nhiên, việc giới hạn lực có thể làm thay đổi đáp ứng so với mô hình tuyến tính ban đầu và khiến hiệu quả tối ưu không còn được bảo đảm như trong bài toán lý tưởng. Vì vậy, cần mô phỏng với giới hạn lực, công suất và tốc độ biến thiên lực của cơ cấu chấp hành. Nếu các ràng buộc này chi phối mạnh quá trình vận hành, có thể cân nhắc điều khiển dự báo mô hình (Model Predictive Control – MPC) hoặc các phương pháp điều khiển tối ưu có xét ràng buộc.

Bên cạnh đó, các tham số của hệ thống treo có thể thay đổi theo tải trọng, nhiệt độ, áp suất lốp và điều kiện vận hành. Khối lượng được treo m_s thay đổi khi số lượng hành khách hoặc tải trọng hàng hóa biến đổi; độ cứng lốp k_t phụ thuộc vào áp suất và nhiệt độ; hệ số cản c_s có thể thay đổi theo nhiệt độ và đặc tính làm việc của giảm chấn. Bộ điều khiển LQR được thiết kế cho một bộ tham số danh định có thể suy giảm chất lượng khi hệ thống làm việc ngoài phạm vi thiết kế. Để khắc phục hạn chế này, có thể sử dụng LQR với lập lịch thông số, điều khiển thích nghi hoặc thiết kế điều khiển bền vững nhằm duy trì hiệu quả khi tham số mô hình và điều kiện kích thích thay đổi.

Trong ứng dụng ô tô hiện đại, LQR có thể được tích hợp trong cấu trúc điều khiển phân tầng. Tầng điều khiển cấp cao xác định mục tiêu động lực học và lực điều khiển mong muốn dựa trên trạng thái xe, điều kiện mặt đường và yêu cầu về độ êm dịu. Tầng điều khiển cấp thấp thực hiện điều khiển dòng điện, áp suất thủy lực hoặc vị trí van nhằm giúp cơ cấu chấp hành tạo ra lực theo yêu cầu. Trong cấu trúc này, LQR có thể đảm nhiệm vai trò điều khiển phản hồi trạng thái, trong khi các bộ điều khiển cấp thấp bảo đảm khả năng thực hiện lệnh và xử lý các giới hạn vật lý. Cách tiếp cận phân tầng giúp phân chia rõ nhiệm vụ tối ưu hóa động lực học và nhiệm vụ điều khiển cơ cấu chấp hành.

Một hướng phát triển đáng chú ý là kết hợp LQR với hệ thống nhận biết trước biên dạng mặt đường (Road Preview System). Camera, cảm biến LiDAR hoặc các cảm biến thích hợp có thể được sử dụng để ước lượng mấp mô mặt đường phía trước xe. Thông tin dự báo được đưa vào mô hình điều khiển nhằm cải thiện khả năng phản ứng trước khi bánh xe tiếp xúc với vị trí mấp mô. Tuy nhiên, LQR phản hồi trạng thái tiêu chuẩn không tự động khai thác toàn bộ thông tin dự báo mặt đường. Để sử dụng thông tin này, cần bổ sung thành phần điều khiển cấp trước (feedforward), mở rộng mô hình hoặc xây dựng cấu trúc điều khiển tối ưu có xét tín hiệu kích thích đã biết trước. Việc phối hợp phản hồi trạng thái với thông tin dự báo có thể giúp cải thiện độ êm dịu, nhưng hiệu quả còn phụ thuộc vào độ chính xác của dự báo và độ trễ của cơ cấu chấp hành.

Để đánh giá hiệu quả của LQR, cần xây dựng quy trình mô phỏng và thực nghiệm có đối chứng. Bộ điều khiển LQR nên được so sánh với hệ thống treo bị động và các bộ điều khiển khác như PID, Skyhook hoặc điều khiển mờ trong cùng điều kiện kích thích mặt đường. Các chỉ tiêu đánh giá chủ yếu bao gồm giá trị RMS của gia tốc thân xe, hành trình tương đối của hệ thống treo, biến thiên tải trọng động của bánh xe, lực điều khiển cực đại và năng lượng tiêu thụ. Các dạng kích thích có thể bao gồm mấp mô đơn, kích thích hình sin, mặt đường ngẫu nhiên theo tiêu chuẩn ISO 8608 và các tình huống thay đổi tải trọng. Việc sử dụng cùng thông số xe, điều kiện mặt đường và giới hạn cơ cấu chấp hành sẽ giúp kết quả so sánh có tính khách quan và có giá trị khoa học.

Tóm lại, điều khiển LQR là phương pháp điều khiển tối ưu có tiềm năng lớn trong nghiên cứu và phát triển hệ thống treo chủ động trên ô tô hiện đại. Phương pháp này cho phép xây dựng luật phản hồi trạng thái dựa trên mô hình động lực học, đồng thời cân bằng giữa độ êm dịu, khả năng bám đường, hành trình hệ thống treo và mức sử dụng lực điều khiển thông qua việc lựa chọn ma trận trọng số. Tuy nhiên, hiệu quả ứng dụng phụ thuộc vào độ chính xác của mô hình, khả năng ước lượng trạng thái, giới hạn cơ cấu chấp hành và mức độ biến đổi tham số trong quá trình vận hành. Việc kết hợp LQR với bộ quan sát trạng thái, thuật toán tối ưu hóa trọng số, điều khiển cấp thấp và hệ thống dự báo mặt đường là những hướng nghiên cứu quan trọng nhằm nâng cao chất lượng điều khiển và khả năng triển khai trên các dòng ô tô hiện đại.