Nghiên cứu & chế tạo bộ thu thập dữ liệu nhiệt độ, áp suất hệ thống lạnh công nghiệp

Khóa luận nghiên cứu chế tạo bộ thu thập, xử lý dữ liệu nhiệt độ, áp suất. Hỗ trợ giám sát, chẩn đoán sự cố cho hệ thống lạnh công nghiệp hiệu quả.

• Tác giả: Đào Trường Giang
• Người hướng dẫn: TS. Đoàn Minh Hùng
• Trường học: Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Nhiệt
• Đề tài: Nghiên Cứu Chế Tạo Bộ Thu Thập Và Xử Lý Dữ Liệu Nhiệt Độ, Áp Suất Cho Hệ Thống Lạnh Công Nghiệp
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan về Bộ thu thập dữ liệu nhiệt độ áp suất cho hệ thống lạnh

Ngành công nghệ kỹ thuật nhiệt đang phát triển mạnh mẽ, đặc biệt là ứng dụng hệ thống lạnh công nghiệp trong các lĩnh vực sản xuất, nông nghiệp và đời sống hàng ngày. Bộ thu thập dữ liệu nhiệt độ, áp suất là giải pháp hiện đại giúp vận hành hiệu quả các hệ thống lạnh, tiết kiệm năng lượng và giảm chi phí vận hành. Sản phẩm này kết hợp công nghệ tiên tiến giữa phần mềm lập trình Matlab và mạch xử lý Arduino để tạo ra một hệ thống chẩn đoán toàn diện. Việc phát hiện và cảnh báo sự cố kịp thời là yếu tố quan trọng nhất để đảm bảo hoạt động liên tục và hiệu quả của hệ thống lạnh công nghiệp.

1.1. Khái niệm và vai trò của hệ thống

Bộ thu thập dữ liệu là thiết bị chuyên dụng giúp thu thập, xử lý và phân tích dữ liệu nhiệt độ, áp suất từ các cảm biến được lắp đặt trên hệ thống lạnh. Vai trò của nó là giám sát liên tục trạng thái hoạt động, phát hiện các bất thường và cảnh báo sự cố trước khi chúng gây ra hậu quả nghiêm trọng.

1.2. Ứng dụng thực tế trong ngành công nghiệp

Hệ thống lạnh công nghiệp được ứng dụng rộng rãi trong nhà máy, kho lạnh, trung tâm dữ liệu và các cơ sở sản xuất. Bộ thu thập dữ liệu giúp người vận hành dễ dàng kiểm soát, giảm thời gian khắc phục sự cố và đảm bảo chất lượng sản phẩm.

II. Cấu trúc và nguyên lý hoạt động của bộ thu thập dữ liệu

Bộ thu thập dữ liệu nhiệt độ, áp suất được thiết kế dựa trên nền tảng Arduino làm bộ vi xử lý trung tâm kết hợp với phần mềm Matlab để xử lý và phân tích thông tin. Hệ thống gồm ba thành phần chính: cảm biến nhiệt độ và áp suất, mạch điều khiển Arduino, và phần mềm xử lý dữ liệu. Các cảm biến được lắp đặt tại các vị trí chiến lược trên hệ thống lạnh để giám sát thông số trong thời gian thực. Dữ liệu được truyền tải qua cáp truyền thông đến Arduino, nơi có chức năng chuyển đổi tín hiệu analog thành dữ liệu số. Sau đó, Matlab nhận thông tin này để xử lý, so sánh với các giá trị tiêu chuẩn và đưa ra cảnh báo.

2.1. Cảm biến và thiết bị thu thập

Cảm biến nhiệt độ và áp suất được sử dụng là những thiết bị độ chính xác cao, có khả năng hoạt động ổn định trong điều kiện nhiệt độ, độ ẩm khác nhau. Chúng được lắp đặt tại các vị trí khác nhau trên hệ thống lạnh công nghiệp để đảm bảo giám sát toàn diện.

2.2. Mạch xử lý trung tâm Arduino

Arduino hoạt động như bộ điều khiển trung tâm, nhận tín hiệu từ các cảm biến, xử lý dữ liệu và truyền tải đến phần mềm Matlab. Nó đóng vai trò quan trọng trong việc chuyển đổi và tiêu chuẩn hóa các tín hiệu từ nhiều loại cảm biến khác nhau.

2.3. Phần mềm Matlab cho phân tích dữ liệu

Matlab cung cấp giao diện trực quan, cho phép người vận hành quan sát biểu đồ dữ liệu nhiệt độ, áp suất theo thời gian thực và lập trình các thuật toán chẩn đoán sự cố tự động.

III. Quy trình chẩn đoán và cảnh báo sự cố hệ thống lạnh

Bộ thu thập dữ liệu sử dụng các lược đồ chẩn đoán tiên tiến dựa trên phân tích nhiệt động lực học và phương trình cân bằng năng lượng để phát hiện sự cố. Quy trình hoạt động bắt đầu bằng việc thu thập dữ liệu nhiệt độ, áp suất liên tục từ các cảm biến tại những điều kiện hoạt động khác nhau. Dữ liệu này được so sánh với các giá trị tiêu chuẩn được lưu trữ trong hệ thống. Nếu phát hiện sai lệch vượt quá ngưỡng cho phép, hệ thống sẽ gửi cảnh báo chi tiết cho người vận hành với các đề xuất xử lý. Quy trình này giúp phát hiện sự cố sớm, trước khi chúng gây hư hỏng đến hệ thống lạnh công nghiệp và ảnh hưởng đến sản xuất.

3.1. Phương pháp phát hiện sự cố

Hệ thống sử dụng các thuật toán dựa trên lý thuyết nhiệt động lực để so sánh dữ liệu nhiệt độ, áp suất thực tế với mô hình tính toán. Khi phát hiện độ lệch, hệ thống sẽ xác định loại sự cố và mức độ nghiêm trọng.

3.2. Cảnh báo và biện pháp khắc phục

Khi phát hiện bất thường, bộ thu thập dữ liệu gửi cảnh báo ngay lập tức đến màn hình hoặc thiết bị di động của người vận hành, kèm theo các biện pháp khắc phục được đề xuất.

IV. Lợi ích và triển vọng ứng dụng của hệ thống

Bộ thu thập dữ liệu nhiệt độ, áp suất cho hệ thống lạnh công nghiệp mang lại những lợi ích thiết thực và dài hạn cho các doanh nghiệp. Thứ nhất, nó giúp tiết kiệm năng lượng thông qua việc tối ưu hóa hoạt động của hệ thống lạnh, từ đó giảm chi phí vận hành hàng năm. Thứ hai, phát hiện sự cố sớm giúp tránh các hư hỏng lớn, thay thế hạn chế các linh kiện tốn kém và tăng tuổi thọ của thiết bị. Thứ ba, giảm thời gian ngừng hoạt động, đảm bảo sản xuất liên tục, nâng cao hiệu suất kinh tế. Cuối cùng, bảo vệ môi trường thông qua việc quản lý môi chất làm lạnh hiệu quả hơn. Với xu hướng công nghiệp 4.0, hệ thống thu thập dữ liệu này hứa hẹn trở thành giải pháp thiết yếu cho các hệ thống lạnh hiện đại.

4.1. Tiết kiệm chi phí và năng lượng

Thông qua giám sát liên tục dữ liệu nhiệt độ, áp suất, hệ thống giúp tối ưu hóa vận hành, giảm tiêu thụ điện năng và chi phí bảo dưỡng. Người vận hành có thể điều chỉnh các thông số để đạt hiệu suất tối ưu.

4.2. Tăng độ tin cậy và bảo vệ môi trường

Bộ thu thập dữ liệu đảm bảo hoạt động liên tục của hệ thống lạnh công nghiệp và giảm tỷ lệ rò rỉ môi chất làm lạnh, góp phần bảo vệ môi trường toàn cầu.

4.3. Xu hướng phát triển trong tương lai

Với công nghệ IoT và trí tuệ nhân tạo, hệ thống thu thập dữ liệu sẽ ngày càng thông minh hơn, cho phép dự báo sự cố chính xác hơn và tích hợp với các hệ thống quản lý năng lượng toàn bộ công ty.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN 1. Vấn đề nghiên cứu Cùng với sự phát triển của thời đại Internet vạn vật (IoT), rất nhiều sản phẩm thông minh được ra đời như: các thiết bị thông minh, nhà thông minh… Mọi thứ không dừng lại ở đó, hiện nay IoT có mặt ở hầu hết các hoạt động sản xuất của con người. IoT hỗ trợ chúng ta kiểm soát và vận hành công việc một cách đơn giản và hiệu quả hơn. Có rất nhiều thiết bị hỗ trợ theo dõi tình trạng hoạt động của hệ thống và báo lỗi nếu hệ thống gặp sự cố đã được ra đời nhằm giúp cho người vận hành nắm bắt được tình trạng hệ thống một cách nhanh nhất, bảo trì chủ động trên thiết bị khi cảm biến phát hiện ra lỗi sắp xảy ra.

Trong ngành kỹ thuật điều hòa không khí cũng vậy, việc đảm bảo cho một hệ thống lúc nào cũng hoạt động một các liên tục và có hiệu quả là việc vô cùng quan trọng, để được như vậy chúng ta phải kiểm soát được các hoạt động của hệ thống. Chính vì vậy, trong đề tài nghiên cứu này chúng tôi xin giới thiệu một thiết bị thu thập thông tin, đánh giá hoạt động và thông báo sự cố có ứng dụng công nghệ IoT mang tên “Bộ thiết bị thu thập và xử lý dữ liệu nhiệt độ, áp suất cho hệ thống lạnh công nghiệp”. Các nghiên cứu trong và ngoài nước 1. Nước ngoài Ying Yan và cộng sự [1] đã nghiên cứu sử dụng phương pháp để chẩn đoán cho bộ xử lý không khí AHU khi chẩn đoán lỗi rất quan trọng vì nó cho phép đội bảo trì biết lỗi nào đã xảy ra để cải thiện tính khả dụng của hệ thống.

Sau khi đánh giá những khó khăn thử thách tác giả đã phát triển một phương pháp dựa trên máy Boltzmann phi tập trung. Để giải quyết vấn đề đầu tiên, phần dư giữa các giá trị thực tế của một số lần đọc cảm biến và ước tính của chúng được coi là chỉ báo lỗi vì chúng không liên quan đến môi trường thay đổi. Để giải quyết vấn đề thứ hai, một cơ chế biểu quyết phi tập trung mới được phát triển dựa trên đặc tính hội tụ của máy Boltzmann để xác định các lỗi cảm biến trong khi tránh giải quyết nhiều vấn đề tối ưu hóa. Mariam Elnour và cộng sự [2] đã nghiên cứu xác thực dữ liệu cảm biến và chẩn đoán lỗi cho các hệ thống HVAC về cơ bản là quan trọng để đảm bảo hoạt động đáng tin cậy và hiệu quả vì các phép đo cảm biến rất quan trọng đối với hệ thống điều khiển vòng kín 1 HVAC.

Nó được xây dựng dựa trên được cấu trúc và đào tạo để xây dựng mô hình ánh xạ đầu vào - đầu ra dựa trên việc giảm kích thước dữ liệu có khả năng xác thực các phép đo của cảm biến trong điều kiện sửa lỗi cảm biến, thay thế dữ liệu bị thiếu, nhiễu lọc và sửa lỗi không chính xác. Nó có thể được sử dụng cho cả chẩn đoán lỗi cảm biến đơn lẻ và nhiều lỗi cảm biến bằng cách theo dõi tính nhất quán giữa kết quả thực tế và chỉ số cảm biến ước tính .N Turner và cộng sự [3] đã nghiên cứu phương pháp phát hiện lỗi HVAC tòa nhà tự động theo hướng dữ liệu sử dụng phương pháp tiếp cận mô hình bình phương nhỏ nhất đệ quy. Các thông số của mô hình sau đó được quan sát trong thời gian thực. Trong quá trình hoạt động bình thường của hệ thống, các thông số này hội tụ về giá trị ổn định.

Lỗi có thể được phát hiện khi các thông số mô hình lệch khỏi giá trị hội tụ của chúng. Cách tiếp cận phát hiện lỗi mới có lợi thế khác biệt là hiệu quả về mặt tính toán trong khi không yêu cầu xây dựng chi tiết và các mô hình HVAC. Các tính năng này làm cho cách tiếp cận phát hiện lỗi mới có thể sử dụng được giữa các hệ thống HVAC lớn và nhỏ. Arie Taal và cộng sự [4] đã nghiên cứu phương pháp phát hiện và chẩn đoán lỗi chung (FDD) cho các hệ thống thông gió có kiểm soát theo nhu cầu DCV.

Bằng cách tự động phát hiện lỗi, cả chất lượng không khí trong nhà và hiệu suất năng lượng đều được tăng lên mạnh mẽ. Phương pháp được đề xuất, sử dụng mạng Bayes DBN chẩn đoán, khắc phục các vấn đề gặp phải trong các phương pháp FDD hiện tại cho hệ thống VAV, những vấn đề cản trở việc ứng dụng rộng rãi của chúng trong thực tế. Phương pháp IAQ 4S3F, giải quyết những vấn đề này, được chứng minh cho một hệ thống VAV thông thường với hệ thống thông gió được kiểm soát theo nhu cầu trong văn phòng với việc sử dụng dữ liệu của Hệ thống Quản lý Tòa nhà BMS theo giờ lịch sử cả năm và cho thấy khả năng áp dụng thành công. Các phương pháp phát hiện và chẩn đoán lỗi hiện tại cho thiết bị làm lạnh thường rất hiệu quả trong việc chẩn đoán lỗi đơn lẻ, nhưng hoạt động kém khi chẩn đoán nhiều lỗi và các mô hình chẩn đoán lỗi này phụ thuộc vào phạm vi dữ liệu.

Pengcheng Li và cộng sự [5] nghiên cứu phương pháp chẩn đoán nhiều lỗi mới cho máy làm lạnh dựa trên việc kết hợp tính năng cụ thể nâng cao ELM-KNN. Thứ nhất, ELM được sử dụng để lập bản đồ các tính năng nhằm cải thiện độ chính xác của thuật toán KNN đối với nhiều lỗi. Kết quả thực 2 nghiệm cho thấy mô hình đề xuất trong bài báo này có độ chính xác cao nhất trong số các phương pháp được so sánh. Mô hình được đề xuất đã đạt được hiệu suất chẩn đoán tốt hơn đối với nhiều lỗi trong trường hợp không có dữ liệu về nhiều lỗi.

Để đối phó với vấn đề thiếu hụt năng lượng toàn cầu, việc tối ưu hóa tiết kiệm năng lượng của hệ thống HVAC được sử dụng để giảm bớt, đồng thời chẩn đoán và đánh giá kịp thời các lỗi có thể giảm tiêu thụ năng lượng không cần thiết. Zhi Li và cộng sự [6] đã nghiên cứu các quy trình Markov ẩn để lấy các tham số trạng thái làm giảm nhiễu của thông tin ghép nối đến trạng thái lỗi của từng thành phần. Ngoài ra, một bộ lọc Kalman không mùi được sử dụng để có được trạng thái hiện tại của ước tính, sau đó loại và mức độ của lỗi được xác định dựa trên phần trăm biến động ước tính. Cuối cùng, các quy tắc SPC được sử dụng để có được các giới hạn kiểm soát động lực học nhằm giảm sự can thiệp của môi trường ngoài trời vào hệ thống chẩn đoán lỗi, do đó giảm tỷ lệ chẩn đoán sai.

Chunsheng Yang và cộng sự [7] đã nghiên cứu và phát triển phương pháp có hệ thống để xác định và ngăn ngừa hệ thống, sản phẩm và các vấn đề về quy trình. Để giải quyết một số thách thức này, các tác giả đề xuất phương pháp FMEA cho thiết bị HVAC trong tòa nhà thông thường bằng cách khám phá các đơn đặt hàng công việc được tạo ra bởi hệ thống quản lý năng lượng tòa nhà BEMS bằng cách sử dụng phương pháp khai thác dữ liệu. Với cách tiếp cận FMEA này, người vận hành tòa nhà có thể cô lập và tiên lượng các lỗi một cách thực tế. Phương pháp FMEA cũng giúp chúng tôi giải quyết các lỗi có tác động lớn, nhờ đó dữ liệu hoạt động có thể được thu thập và có thể phát triển các mô hình dự đoán dựa trên máy học.

Hua Han và cộng sự [8] đã nghiên cứu đề xuất mô hình được tối ưu hóa bằng cách xác nhận chéo để thực hiện FDD trên máy làm lạnh ly tâm 90 tấn. Mô hình được đề xuất với tối ưu hóa cho thấy hiệu suất FDD tốt hơn về tỷ lệ chính xác tổng thể cho tất cả các mẫu, tỷ lệ chính xác riêng lẻ cho từng lỗi, hiệu quả chẩn đoán, tỷ lệ phát hiện và tỷ lệ cảnh báo sai, v.v…, đặc biệt khi liên quan đến các lỗi ở cấp hệ thống, nơi việc phát hiện và chẩn đoán trở nên khá khó khăn do hiệu ứng cấp hệ thống SLE các triệu chứng lan rộng gây ra trên toàn hệ thống. Tỷ lệ chính xác đối với các lỗi cấp hệ thống như rò rỉ, nạp thiếu chất làm lạnh, nạp quá nhiều chất làm lạnh và thừa dầu lần lượt là 99,59%, 99,26% và 99,38%. 3 Boyan Zhang và cộng sự [9] đã nghiên cứu đề xuất một chế độ thực nghiệm tổng hợp cải tiến EEMD-HTD để khử dữ liệu đã thu thập và làm nổi bật các đặc điểm lỗi của từng cảm biến.

Thứ hai, các lỗi đơn nguồn và đa nguồn của cảm biến được GMM phân tích ở các điểm khác nhau. Các quy trình chẩn đoán lỗi trên được gọi chung là EEMD-HTD- GMM. Kết quả thử nghiệm cho thấy EEMD-HTD-GMM có khả năng chẩn đoán cao hơn và phân biệt giữa các dạng lỗi gây ra nhầm lẫn phân loại GMM. Ondrej Nehasil và các cộng sự [10] đã mô tả công cụ mới được phát triển để phát hiện các lỗi vận hành trong các thiết bị thông gió có thu hồi nhiệt dựa trên phương pháp APAR quy tắc đánh giá hiệu suất đơn vị xử lý không khí.

Phương pháp cảm ứng lỗi trên các thiết bị HVAC thực đã được sử dụng với việc kiểm tra sau đó xem các lỗi có thể được phát hiện không. Khả năng phát hiện lỗi của công cụ phát hiện cũng đã được xác minh trên cơ sở các bộ dữ liệu đo được thực hiện trong quá trình hoạt động hệ thống HVAC. Mahendra Kumar và cộng sự [11] đã nghiên cứu đề xuất một sơ đồ chẩn đoán và phát hiện lỗi dựa trên mô hình và mô hình MIMO tham số gộp được khảo sát trong hệ thống điều hòa không khí AC kết hợp với việc chẩn đoán lỗi được thực hiện bằng cách sử dụng phần dư và sẽ thảo luận về việc chẩn đoán các lỗi đơn lẻ cũng như nhiều lỗi của hệ thống AC. Kết quả cho thấy độ chính xác chẩn đoán của sơ đồ FDD sử dụng phương pháp phân loại kết hợp được nhận thấy là chính xác khi có mặt cũng như không có nhiễu.

Zhengfei Li và cộng sự [12] đã nghiên cứu đề xuất một chiến lược chẩn đoán lỗi tổng hợp chung được ủ được mô phỏng cho các lỗi điển hình của hệ thống VRF, chẳng hạn như lỗi lượng chất làm lạnh RCA, lỗi van và lỗi máy nén khí LF.